Overzicht datasets

Ultralytics biedt ondersteuning voor verschillende datasets om computer vision taken zoals detectie, segmentatie van instanties, schatting van de houding, classificatie en het volgen van meerdere objecten te vergemakkelijken. Hieronder volgt een lijst van de belangrijkste Ultralytics datasets, gevolgd door een samenvatting van elke computer vision taak en de respectievelijke datasets.

Kijken: Ultralytics Overzicht datasets

NIEUW 🚀 Ultralytics Verkenner

Maak embeddings voor je dataset, zoek naar vergelijkbare afbeeldingen, voer SQL queries uit, voer semantisch zoeken uit en zoek zelfs in natuurlijke taal! Je kunt aan de slag met onze GUI app of je eigen app bouwen met behulp van de API. Lees hier meer.

• Probeer de GUI-demo
• Meer informatie over de Explorer API

Detectiedatasets

Objectdetectie met begrenzende vakken is een computer vision-techniek waarbij objecten in een afbeelding worden gedetecteerd en gelokaliseerd door een begrenzende vak rond elk object te tekenen.

• Argoverse: Een dataset met 3D-tracking- en bewegingsvoorspellingsgegevens van stedelijke omgevingen met rijke annotaties.
• COCO: Een grootschalige dataset ontworpen voor objectdetectie, segmentatie en bijschriften met meer dan 200K gelabelde afbeeldingen.
• LVIS: Een grootschalige dataset voor objectdetectie, segmentatie en ondertiteling met 1203 objectcategorieën.
• COCO8: Bevat de eerste 4 afbeeldingen van COCO train en COCO val, geschikt voor snelle tests.
• Wereldwijde tarwe 2020: Een dataset van afbeeldingen van tarwekoppen verzameld van over de hele wereld voor objectdetectie en lokalisatietaken.
• Objecten365: Een hoogwaardige, grootschalige dataset voor objectdetectie met 365 objectcategorieën en meer dan 600K geannoteerde afbeeldingen.
• OpenImagesV7: Een uitgebreide dataset van Google met 1,7M train afbeeldingen en 42k validatie afbeeldingen.
• SKU-110K: Een dataset met dichte objectdetectie in winkelomgevingen met meer dan 11K afbeeldingen en 1,7 miljoen bounding boxes.
• VisDrone: Een dataset met objectdetectie- en multi-objectvolggegevens van drone-opnamen met meer dan 10.000 afbeeldingen en videosequenties.
• VOC: De Pascal Visual Object Classes (VOC) dataset voor objectdetectie en segmentatie met 20 objectklassen en meer dan 11K afbeeldingen.
• xView: Een dataset voor objectdetectie in overheadbeelden met 60 objectcategorieën en meer dan 1 miljoen geannoteerde objecten.
• Roboflow 100: Een diverse benchmark voor objectdetectie met 100 datasets verspreid over zeven beelddomeinen voor een uitgebreide evaluatie van modellen.
• Hersentumor: Een dataset voor het detecteren van hersentumoren bevat MRI- of CT-scanbeelden met details over de aanwezigheid, locatie en kenmerken van de tumor. Het is van vitaal belang voor het trainen van computervisiemodellen om tumoridentificatie te automatiseren, wat helpt bij vroegtijdige diagnose en behandelplanning.
• Afrikaanse wilde dieren: Een dataset met afbeeldingen van Afrikaanse wilde dieren, waaronder buffels, olifanten, neushoorns en zebra's, helpt bij het trainen van computervisiemodellen. Het is essentieel voor het identificeren van dieren in verschillende habitats en ondersteunt onderzoek naar wilde dieren.

Instantie segmentatie datasets

Segmentatie is een computervisietechniek waarbij objecten in een afbeelding op pixelniveau worden geïdentificeerd en gelokaliseerd.

• COCO: Een grootschalige dataset ontworpen voor objectdetectie, segmentatie en bijschriftentaken met meer dan 200K gelabelde afbeeldingen.
• COCO8-seg: Een kleinere dataset voor segmentatietaken, die een subset van 8 COCO-afbeeldingen met segmentatie-annotaties bevat.
• Crack-seg: Specifiek ontworpen dataset voor het detecteren van scheuren op wegen en muren, toepasbaar voor zowel objectdetectie als segmentatietaken.
• Package-seg: Dataset op maat voor het identificeren van pakketten in magazijnen of industriële omgevingen, geschikt voor zowel objectdetectie als segmentatietoepassingen.
• Carparts-seg: Speciaal ontwikkelde dataset voor het identificeren van auto-onderdelen voor ontwerp, fabricage en onderzoek. Het dient voor zowel objectdetectie als segmentatietaken.

Schatting van de houding

Het schatten van de houding is een techniek die wordt gebruikt om de houding van het object ten opzichte van de camera of het coördinatensysteem van de wereld te bepalen.

• COCO: Een grootschalige dataset met menselijke pose annotaties ontworpen voor pose schattingstaken.
• COCO8-pose: een kleinere dataset voor pose-schattaken, die een subset van 8 COCO-beelden met menselijke pose-annotaties bevat.
• Tiger-pose: een compacte dataset bestaande uit 263 afbeeldingen gericht op tijgers, geannoteerd met 12 sleutelpunten per tijger voor pose-schattingstaken.

Classificatie

Beeldclassificatie is een computervisietaak waarbij een afbeelding wordt ingedeeld in een of meer vooraf gedefinieerde klassen of categorieën op basis van de visuele inhoud.

• Caltech 101: Een dataset met afbeeldingen van 101 objectcategorieën voor beeldclassificatietaken.
• Caltech 256: Een uitgebreide versie van Caltech 101 met 256 objectcategorieën en meer uitdagende afbeeldingen.
• CIFAR-10: Een dataset van 60K 32x32 kleurenafbeeldingen in 10 klassen, met 6K afbeeldingen per klasse.
• CIFAR-100: Een uitgebreide versie van CIFAR-10 met 100 objectcategorieën en 600 afbeeldingen per klasse.
• Mode-MNIST: Een dataset bestaande uit 70.000 grijswaardenafbeeldingen van 10 modecategorieën voor beeldclassificatietaken.
• ImageNet: Een grootschalige dataset voor objectdetectie en beeldclassificatie met meer dan 14 miljoen afbeeldingen en 20.000 categorieën.
• ImageNet-10: Een kleinere subset van ImageNet met 10 categorieën om sneller te kunnen experimenteren en testen.
• Imagenette: Een kleinere subset van ImageNet die 10 gemakkelijk te onderscheiden klassen bevat voor sneller trainen en testen.
• Imagewoof: Een meer uitdagende subset van ImageNet met 10 hondenrascategorieën voor beeldclassificatietaken.
• MNIST: Een dataset van 70.000 grijswaardenafbeeldingen van handgeschreven cijfers voor beeldclassificatietaken.

Georiënteerde begrenzende vakken (OBB)

Oriented Bounding Boxes (OBB) is een methode in computer vision voor het detecteren van schuine objecten in afbeeldingen met behulp van geroteerde bounding boxes, vaak toegepast op lucht- en satellietbeelden.

• DOTAv2: Een populaire OBB luchtfoto dataset met 1,7 miljoen instanties en 11.268 beelden.

Volgen van meerdere objecten

Multi-object tracking is een computervisietechniek waarbij meerdere objecten in de loop van de tijd in een videosequentie worden gedetecteerd en gevolgd.

• Argoverse: Een dataset met 3D-tracking- en bewegingsvoorspellingsgegevens van stedelijke omgevingen met rijke annotaties voor multi-object trackingtaken.
• VisDrone: Een dataset met objectdetectie- en multi-objectvolggegevens van drone-opnamen met meer dan 10.000 afbeeldingen en videosequenties.

Nieuwe datasets bijdragen

Het bijdragen van een nieuwe dataset omvat verschillende stappen om ervoor te zorgen dat deze goed aansluit op de bestaande infrastructuur. Hieronder staan de noodzakelijke stappen:

Stappen om een nieuwe dataset bij te dragen

1. Afbeeldingen verzamelen: Verzamel de afbeeldingen die bij de dataset horen. Deze kunnen worden verzameld uit verschillende bronnen, zoals openbare databases of je eigen verzameling.

2. Afbeeldingen annoteren: Annoteer deze afbeeldingen met bounding boxes, segmenten of sleutelpunten, afhankelijk van de taak.

3. Annotaties exporteren: Zet deze annotaties om in de YOLO *.txt bestandsformaat dat Ultralytics ondersteunt.

4. Dataset organiseren: Plaats je dataset in de juiste mapstructuur. Je moet train/ en val/ bovenliggende mappen en binnen elke map een images/ en labels/ subdirectory.

   dataset/
   ├── train/
   │   ├── images/
   │   └── labels/
   └── val/
       ├── images/
       └── labels/
   

5. Maak een data.yaml Bestand: Maak in de hoofdmap van je dataset een data.yaml bestand dat de dataset, klassen en andere benodigde informatie beschrijft.

6. Afbeeldingen optimaliseren (optioneel): Als je de grootte van de dataset wilt verkleinen voor een efficiëntere verwerking, kun je de afbeeldingen optimaliseren met onderstaande code. Dit is niet verplicht, maar aanbevolen voor kleinere datasets en snellere downloadsnelheden.

7. Zip Dataset: Comprimeer de hele datasetmap in een zipbestand.

8. Documentatie en PR: Maak een documentatiepagina die je dataset beschrijft en hoe deze past in het bestaande raamwerk. Dien daarna een Pull Request (PR) in. Raadpleeg Ultralytics Richtlijnen voor bijdragen voor meer informatie over het indienen van een PR.

Voorbeeldcode om een dataset te optimaliseren en te ritsen

from pathlib import Path
from ultralytics.data.utils import compress_one_image
from ultralytics.utils.downloads import zip_directory

# Define dataset directory
path = Path('path/to/dataset')

# Optimize images in dataset (optional)
for f in path.rglob('*.jpg'):
    compress_one_image(f)

# Zip dataset into 'path/to/dataset.zip'
zip_directory(path)

Door deze stappen te volgen kun je een nieuwe dataset bijdragen die goed integreert met de bestaande structuur van Ultralytics.

Reacties