Referentie voor ultralytics/data/dataset.py
Opmerking
Dit bestand is beschikbaar op https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/data/dataset .py. Als je een probleem ziet, help het dan oplossen door een Pull Request 🛠️ bij te dragen. Bedankt 🙏!
ultralytics.data.dataset.YOLODataset
Basis: BaseDataset
Dataset klasse voor het laden van objectdetectie en/of segmentatielabels in YOLO formaat.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
data |
dict
|
Een dataset YAML woordenboek. Staat standaard op Geen. |
None
|
task |
str
|
Een expliciet argument om de huidige taak aan te wijzen, standaard ingesteld op 'detect'. |
'detect'
|
Retourneert:
Type | Beschrijving |
---|---|
Dataset
|
Een PyTorch datasetobject dat kan worden gebruikt voor het trainen van een objectdetectiemodel. |
Broncode in ultralytics/data/dataset.py
45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 |
|
__init__(*args, data=None, task='detect', **kwargs)
Initialiseert de YOLODataset met optionele configuraties voor segmenten en sleutelpunten.
Broncode in ultralytics/data/dataset.py
build_transforms(hyp=None)
Bouwt transformaties en voegt ze toe aan de lijst.
Broncode in ultralytics/data/dataset.py
cache_labels(path=Path('./labels.cache'))
Cache labels van datasets, controleer afbeeldingen en lees vormen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
path |
Path
|
Pad waar het cachebestand moet worden opgeslagen. De standaardinstelling is Pad('./labels.cache'). |
Path('./labels.cache')
|
Retourneert:
Type | Beschrijving |
---|---|
dict
|
labels. |
Broncode in ultralytics/data/dataset.py
close_mosaic(hyp)
Stelt mozaïek, copy_paste en mixup opties in op 0,0 en bouwt transformaties.
Broncode in ultralytics/data/dataset.py
collate_fn(batch)
staticmethod
Verzamelt gegevensmonsters in batches.
Broncode in ultralytics/data/dataset.py
get_labels()
Retourneert woordenboek met labels voor YOLO training.
Broncode in ultralytics/data/dataset.py
update_labels_info(label)
Pas hier je etiketformaat aan.
Opmerking
cls is nu niet met bboxen, classificatie en semantische segmentatie hebben een onafhankelijk cls label nodig Kan ook classificatie en semantische segmentatie ondersteunen door daar dictkeys toe te voegen of te verwijderen.
Broncode in ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOMultiModalDataset
Basis: YOLODataset
Dataset klasse voor het laden van objectdetectie en/of segmentatielabels in YOLO formaat.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
data |
dict
|
Een dataset YAML woordenboek. Staat standaard op Geen. |
None
|
task |
str
|
Een expliciet argument om de huidige taak aan te wijzen, standaard ingesteld op 'detect'. |
'detect'
|
Retourneert:
Type | Beschrijving |
---|---|
Dataset
|
Een PyTorch datasetobject dat kan worden gebruikt voor het trainen van een objectdetectiemodel. |
Broncode in ultralytics/data/dataset.py
__init__(*args, data=None, task='detect', **kwargs)
Initialiseert een datasetobject voor objectdetectietaken met optionele specificaties.
build_transforms(hyp=None)
Verbetert gegevenstransformaties met optionele tekstuitbreiding voor multimodale training.
Broncode in ultralytics/data/dataset.py
update_labels_info(label)
Voeg tekstinformatie toe voor multimodale modeltraining.
Broncode in ultralytics/data/dataset.py
ultralytics.data.dataset.GroundingDataset
Basis: YOLODataset
Broncode in ultralytics/data/dataset.py
__init__(*args, task='detect', json_file, **kwargs)
Initialiseert een GroundingDataset voor objectdetectie, waarbij annotaties uit een opgegeven JSON-bestand worden geladen.
Broncode in ultralytics/data/dataset.py
build_transforms(hyp=None)
Configureert augmentaties voor training met optionele tekstlading; hyp
past de intensiteit van de augmentatie aan.
Broncode in ultralytics/data/dataset.py
get_img_files(img_path)
get_labels()
Laadt annotaties uit een JSON-bestand, filtert en normaliseert bounding boxes voor elke afbeelding.
Broncode in ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOConcatDataset
Basis: ConcatDataset
Dataset als een aaneenschakeling van meerdere datasets.
Deze klasse is handig om verschillende bestaande datasets samen te voegen.
Broncode in ultralytics/data/dataset.py
ultralytics.data.dataset.SemanticDataset
Basis: BaseDataset
Dataset voor semantische segmentatie.
Deze klasse is verantwoordelijk voor het verwerken van datasets die worden gebruikt voor semantische segmentatietaken. Het erft functionaliteiten van de klasse BaseDataset.
Opmerking
Deze klasse is momenteel een placeholder en moet worden gevuld met methoden en attributen voor de ondersteuning van semantische segmentatietaken.
Broncode in ultralytics/data/dataset.py
ultralytics.data.dataset.ClassificationDataset
Breidt torchvision ImageFolder uit om YOLO classificatietaken te ondersteunen en biedt functionaliteiten zoals vergroting, caching en verificatie. Het is ontworpen om efficiënt om te gaan met grote datasets voor het trainen van diep leermodellen, met optionele beeldtransformaties en cachingmechanismen om de training te versnellen.
Deze klasse maakt augmentaties mogelijk met zowel torchvision als Albumentations bibliotheken, en ondersteunt het cachen van afbeeldingen in RAM of op schijf om de IO overhead tijdens het trainen te verminderen. Daarnaast implementeert het een robuust verificatieproces om de integriteit en consistentie van gegevens te waarborgen.
Kenmerken:
Naam | Type | Beschrijving |
---|---|---|
cache_ram |
bool
|
Geeft aan of caching in RAM is ingeschakeld. |
cache_disk |
bool
|
Geeft aan of caching op schijf is ingeschakeld. |
samples |
list
|
Een lijst van tuples, elk met het pad naar een afbeelding, de klasse-index, het pad naar het .npy cache bestand (bij caching op schijf) en optioneel de geladen image array (bij caching in RAM). |
torch_transforms |
callable
|
PyTorch transformaties die moeten worden toegepast op de afbeeldingen. |
Broncode in ultralytics/data/dataset.py
384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 |
|
__getitem__(i)
Retourneert subsets van gegevens en doelen die overeenkomen met opgegeven indices.
Broncode in ultralytics/data/dataset.py
__init__(root, args, augment=False, prefix='')
Initialiseer YOLO object met root, afbeeldingsgrootte, augmentaties en cache-instellingen.
Parameters:
Naam | Type | Beschrijving | Standaard |
---|---|---|---|
root |
str
|
Pad naar de datasetmap waar afbeeldingen worden opgeslagen in een klassespecifieke mappenstructuur. |
vereist |
args |
Namespace
|
Configuratie met dataset-gerelateerde instellingen zoals afbeeldingsgrootte, augmentatie
parameters en cache-instellingen. Het bevat attributen zoals |
vereist |
augment |
bool
|
Of augmentaties moeten worden toegepast op de dataset. De standaardinstelling is False. |
False
|
prefix |
str
|
Voorvoegsel voor logboek- en cachebestandsnamen, om datasets te helpen identificeren en debuggen. Standaard is dit een lege tekenreeks. |
''
|
Broncode in ultralytics/data/dataset.py
__len__()
verify_images()
Controleer alle afbeeldingen in de dataset.