객체 감지 데이터 세트 개요

강력하고 정확한 객체 감지 모델을 훈련하려면 포괄적인 데이터 세트가 필요합니다. 이 가이드에서는 Ultralytics YOLO 모델과 호환되는 다양한 형식의 데이터셋을 소개하고 그 구조, 사용법, 서로 다른 형식 간 변환 방법에 대한 인사이트를 제공합니다.

지원되는 데이터 세트 형식

Ultralytics YOLO 형식

Ultralytics YOLO 형식은 데이터 세트 구성 형식으로, 데이터 세트 루트 디렉터리, 트레이닝/검증/테스트 이미지 디렉터리의 상대 경로 또는 *.txt 파일과 이미지 경로가 포함된 클래스 이름 사전이 있습니다. 다음은 예시입니다:

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)

# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  # ...
  77: teddy bear
  78: hair drier
  79: toothbrush

이 형식의 레이블은 YOLO 형식으로 내보내야 합니다. *.txt 파일을 추가합니다. 이미지에 객체가 없는 경우에는 *.txt 파일이 필요합니다. 파일은 *.txt 파일은 객체당 한 행으로 포맷해야 합니다. class x_center y_center width height 형식이어야 합니다. 상자 좌표는 정규화된 xywh 형식(0에서 1까지)을 사용해야 합니다. 상자가 픽셀 단위인 경우 다음을 나누어야 합니다. x_center 그리고 width 를 이미지 너비로, 그리고 y_center 그리고 height 를 이미지 높이별로 정렬합니다. 클래스 번호는 0으로 시작하는 영 인덱스여야 합니다.

위 이미지에 해당하는 라벨 파일에는 2인(클래스 0) 및 동점(클래스 27):

Ultralytics YOLO 형식을 사용하는 경우 아래 COCO8 데이터 세트 예시와 같이 트레이닝 및 유효성 검사 이미지와 레이블을 구성합니다.

사용법

이러한 형식을 사용하여 모델을 훈련하는 방법은 다음과 같습니다:

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

지원되는 데이터 세트

다음은 지원되는 데이터 세트 목록과 각 데이터 세트에 대한 간략한 설명입니다:

• Argoverse: 자율주행 차량에서 수집한 센서 데이터 모음입니다. 여기에는 자동차 객체에 대한 3D 추적 주석이 포함되어 있습니다.
• COCO: COCO(Common Objects in Context)는 80개의 객체 범주로 구성된 대규모 객체 감지, 세분화 및 캡션 데이터 세트입니다.
• LVIS: LVIS: 1203개의 객체 카테고리가 있는 대규모 객체 감지, 분할 및 캡션 데이터 세트입니다.
• COCO8: COCO 데이터 세트의 더 작은 하위 집합인 COCO8은 더 가볍고 빠르게 학습할 수 있습니다.
• 글로벌 밀2020: 글로벌 밀 챌린지 2020의 밀 머리 이미지가 포함된 데이터 세트입니다.
• 오브젝트365: 물체 감지 연구를 발전시키기 위해 365개의 물체 카테고리와 60만 개의 이미지가 포함된 대규모 물체 감지 데이터 세트입니다.
• OpenImagesV7: 170만 개의 기차 이미지와 4만 2천 개의 유효성 검사 이미지가 포함된 Google의 포괄적인 데이터 세트입니다.
• SKU-110K: 소매 환경 객체 감지를 위한 밀집된 소매 제품 이미지가 포함된 데이터 세트입니다.
• VisDrone: 자동차, 보행자, 자전거 타는 사람 등 다양한 객체 카테고리를 포함하는 드론 기반 이미지에 초점을 맞춘 데이터 세트입니다.
• VOC: 차량, 동물, 가구 등 20개의 객체 카테고리를 포함하는 인기 있는 객체 감지 데이터 세트입니다.
• xView: 오버헤드 뷰에서 다양한 객체 클래스를 감지하도록 설계된 고해상도 위성 이미지가 포함된 데이터 세트입니다.
• 뇌종양: 이 데이터 세트는 뇌종양의 존재 여부, 위치 및 특징에 대한 정보가 포함된 MRI 또는 CT 스캔 이미지로 구성됩니다. 종양 식별을 자동화하여 조기 진단 및 치료 계획을 용이하게 하는 컴퓨터 비전 모델을 훈련하는 데 중요한 역할을 합니다.
• 아프리카 야생동물: 버팔로, 코끼리, 코뿔소, 얼룩말 등 아프리카 야생동물의 이미지가 포함된 이 데이터 세트는 컴퓨터 비전 모델을 훈련하는 데 중요한 역할을 합니다. 다양한 서식지에서 동물을 식별하는 데 필수적이며 야생동물 연구 노력에 크게 기여합니다.

나만의 데이터 집합 추가하기

자체 데이터 세트가 있고 이를 Ultralytics YOLO 형식으로 탐지 모델 학습에 사용하려는 경우, 위의 "Ultralytics YOLO 형식"에 지정된 형식을 따르는지 확인하세요. 어노테이션을 필요한 형식으로 변환하고 YAML 구성 파일에 경로, 클래스 수, 클래스 이름을 지정하세요.

라벨 형식 포트 또는 변환

COCO 데이터 세트 형식을 YOLO 형식으로 변환

다음 코드 스니펫을 사용하여 널리 사용되는 COCO 데이터 세트 형식에서 YOLO 형식으로 라벨을 쉽게 변환할 수 있습니다:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir='path/to/coco/annotations/')

이 변환 도구는 COCO 데이터 세트 또는 COCO 형식의 데이터 세트를 Ultralytics YOLO 형식으로 변환하는 데 사용할 수 있습니다.

사용하려는 데이터 세트가 모델과 호환되는지, 필요한 형식 규칙을 따르고 있는지 다시 한 번 확인하는 것을 잊지 마세요. 올바른 형식의 데이터 세트는 성공적인 객체 감지 모델을 학습시키는 데 매우 중요합니다.

댓글