Link to this sectionОбзор наборов данных#

Ultralytics обеспечивает поддержку различных наборов данных для решения задач компьютерного зрения, таких как детекция, сегментация экземпляров, семантическая сегментация, оценка позы, классификация и отслеживание нескольких объектов. Ниже представлен список основных наборов данных Ultralytics, за которым следует краткое описание каждой задачи компьютерного зрения и соответствующие наборы данных.

Link to this sectionДетекция объектов#

Детекция объектов с использованием ограничивающих рамок — это метод компьютерного зрения, который заключается в обнаружении и локализации объектов на изображении путем отрисовки ограничивающей рамки вокруг каждого объекта.

• African-wildlife: Набор данных с изображениями дикой природы Африки, включая буйволов, слонов, носорогов и зебр.
• Argoverse: Набор данных, содержащий информацию о 3D-отслеживании и прогнозировании движения в городских условиях с подробными аннотациями.
• Brain-tumor: Набор данных для обнаружения опухолей головного мозга, включающий МРТ или КТ-снимки с данными о наличии, расположении и характеристиках опухоли.
• COCO: Common Objects in Context (COCO) — это масштабный набор данных для детекции, сегментации и описания объектов, содержащий 80 категорий.
• COCO8: Небольшая подвыборка из первых 4 изображений из обучающей и валидационной выборок COCO, подходящая для быстрых тестов.
• COCO8-Grayscale: Чёрно-белая версия COCO8, созданная путем преобразования RGB в оттенки серого, полезна для оценки моделей с одним каналом.
• COCO8-Multispectral: 10-канальная мультиспектральная версия COCO8, созданная путем интерполяции длин волн RGB, полезна для оценки моделей с учетом спектральных данных.
• COCO128: Небольшая подвыборка из первых 128 изображений из COCO train2017, подходящая для тестов.
• Construction-PPE: Набор данных изображений строительных площадок с аннотациями ключевых средств защиты, таких как каски, жилеты, перчатки, ботинки и очки, а также метками для отсутствующего оборудования, что поддерживает разработку ИИ-моделей для обеспечения безопасности труда и соответствия требованиям.
• Global Wheat 2020: Набор данных, содержащий изображения колосьев пшеницы для конкурса Global Wheat Challenge 2020.
• HomeObjects-3K: Набор данных аннотированных интерьеров, содержащий 12 распространенных бытовых предметов, идеально подходящий для разработки и тестирования моделей компьютерного зрения в системах умного дома, робототехнике и дополненной реальности.
• KITTI New: Известный набор данных для автономного вождения, включающий данные стереокамер, LiDAR и GPS/IMU, используемый для 2D-детекции объектов в различных дорожных условиях.
• LVIS: Масштабный набор данных для детекции, сегментации и описания объектов с 1203 категориями.
• Medical-pills: Набор данных, содержащий размеченные изображения медицинских таблеток, разработанный для помощи в таких задачах, как контроль качества фармацевтической продукции, сортировка и обеспечение соответствия отраслевым стандартам.
• Objects365: Высококачественный масштабный набор данных для детекции объектов с 365 категориями и более 600 тысяч аннотированных изображений.
• OpenImagesV7: Комплексный набор данных от Google, содержащий 1,7 млн обучающих и 42 тыс. валидационных изображений.
• RF100: Разнообразный бенчмарк для детекции объектов, включающий 100 наборов данных из семи областей изображений для всесторонней оценки моделей.
• Signature: Набор данных, содержащий изображения различных документов с аннотированными подписями, поддерживающий исследования в области верификации документов и обнаружения мошенничества.
• SKU-110K: Набор данных, содержащий плотную детекцию объектов в розничной среде, включающий более 11 тыс. изображений и 1,7 миллиона ограничивающих рамок.
• VisDrone: Набор данных, содержащий данные детекции объектов и отслеживания нескольких объектов с аэрофотосъемки дронов, включающий более 10 тыс. изображений и видеопоследовательностей.
• VOC: Набор данных Pascal Visual Object Classes (VOC) для детекции и сегментации объектов с 20 классами и более 11 тыс. изображений.
• xView: Набор данных для детекции объектов на аэрофотоснимках с 60 категориями и более 1 миллиона аннотированных объектов.

Link to this sectionСегментация экземпляров#

Сегментация экземпляров — это метод компьютерного зрения, который включает идентификацию и локализацию объектов на изображении на уровне пикселей. В отличие от семантической сегментации, которая просто классифицирует каждый пиксель, сегментация экземпляров различает разные экземпляры одного и того же класса.

• Carparts-seg: Специализированный набор данных для идентификации автомобильных запчастей, предназначенный для нужд проектирования, производства и исследований. Он подходит как для задач детекции, так и для сегментации объектов.
• COCO: Масштабный набор данных, предназначенный для задач детекции, сегментации и описания объектов, содержащий более 200 тысяч размеченных изображений.
• COCO8-seg: Небольшой набор данных для задач сегментации экземпляров, содержащий подвыборку из 8 изображений COCO с аннотациями сегментации.
• COCO128-seg: Небольшой набор данных для задач сегментации экземпляров, содержащий подвыборку из 128 изображений COCO с аннотациями сегментации.
• Crack-seg: Специально разработанный набор данных для обнаружения трещин на дорогах и стенах, применимый как для задач детекции, так и для сегментации объектов.
• Package-seg: Специализированный набор данных для идентификации посылок на складах или в промышленных условиях, подходящий как для детекции, так и для сегментации объектов.

Link to this sectionСемантическая сегментация#

Семантическая сегментация присваивает метку класса каждому пикселю на изображении, создавая плотные карты сцен для таких приложений, как автономное вождение, синтаксический анализ сцен и картирование земного покрова.

• Cityscapes: Набор данных семантической сегментации городских уличных сцен с 19 классами для обучения.
• Cityscapes8: Компактная подвыборка из 8 изображений Cityscapes для быстрой проверки конвейера семантической сегментации.
• ADE20K: Набор данных для синтаксического анализа сцен со 150 семантическими классами.

Link to this sectionОценка позы#

Оценка позы — это метод, используемый для определения позы объекта относительно камеры или мировой системы координат. Он включает идентификацию ключевых точек или суставов на объектах, в частности, людях или животных.

• COCO: Масштабный набор данных с аннотациями поз человека, предназначенный для задач оценки позы.
• COCO8-pose: Небольшой набор данных для задач оценки позы, содержащий подвыборку из 8 изображений COCO с аннотациями поз человека.
• Dog-pose: Комплексный набор данных, включающий около 8500 изображений собак, аннотированных 24 ключевыми точками для каждой собаки, адаптированный для задач оценки позы.
• Hand-Keypoints: Краткий набор данных, включающий более 26 000 изображений кистей рук человека, аннотированных 21 ключевой точкой для каждой руки, разработанный для задач оценки позы.
• Tiger-pose: Компактный набор данных, состоящий из 263 изображений тигров, аннотированных 12 ключевыми точками для каждого тигра для задач оценки позы.

Link to this sectionКлассификация#

Классификация изображений — это задача компьютерного зрения, которая включает категоризацию изображения в один или несколько предопределенных классов на основе его визуального содержимого.

• Caltech 101: Набор данных, содержащий изображения 101 категории объектов для задач классификации изображений.
• Caltech 256: Расширенная версия Caltech 101 с 256 категориями объектов и более сложными изображениями.
• CIFAR-10: Набор данных из 60 тыс. цветных изображений размером 32x32 в 10 классах, по 6 тыс. изображений на класс.
• CIFAR-100: Расширенная версия CIFAR-10 со 100 категориями объектов и 600 изображениями на класс.
• Fashion-MNIST: Набор данных, состоящий из 70 000 черно-белых изображений 10 категорий модной одежды для задач классификации изображений.
• ImageNet: Масштабный набор данных для детекции и классификации изображений, содержащий более 14 миллионов изображений и 20 000 категорий.
• ImageNet-10: Небольшая подвыборка ImageNet с 10 категориями для более быстрого экспериментирования и тестирования.
• Imagenette: Небольшая подвыборка ImageNet, содержащая 10 легко различимых классов для более быстрого обучения и тестирования.
• Imagewoof: Более сложная подвыборка ImageNet, содержащая 10 категорий пород собак для задач классификации изображений.
• MNIST: Набор данных из 70 000 черно-белых изображений рукописных цифр для задач классификации изображений.
• MNIST160: Первые 8 изображений каждой цифры (0-9) из обучающей и тестовой выборок MNIST. Набор данных содержит всего 160 изображений.

Link to this sectionОриентированные ограничивающие рамки (OBB)#

Ориентированные ограничивающие рамки (OBB) — это метод в компьютерном зрении для обнаружения объектов под углом на изображениях с использованием повернутых рамок, который часто применяется к аэрофотоснимкам и спутниковым изображениям. В отличие от традиционных ограничивающих рамок, OBB лучше подходят для объектов с различной ориентацией.

• DOTA-v2: Популярный набор данных OBB для аэрофотосъемки, содержащий 1,7 миллиона экземпляров и 11 268 изображений.
• DOTA8: Небольшая подвыборка из первых 8 изображений из набора DOTAv1, 4 для обучения и 4 для валидации, подходящая для быстрых тестов.
• DOTA128: Подвыборка из 128 изображений набора DOTA для обучения и валидации, обеспечивающая хороший баланс между размером и разнообразием для тестирования моделей OBB.

Link to this sectionОтслеживание нескольких объектов#

Отслеживание нескольких объектов — это метод компьютерного зрения, который включает обнаружение и отслеживание нескольких объектов во времени в последовательности видео. Эта задача расширяет детекцию объектов, поддерживая согласованную идентификацию объектов между кадрами.

• Argoverse: Набор данных, содержащий данные 3D-отслеживания и прогнозирования движения из городской среды с подробными аннотациями для задач отслеживания нескольких объектов.
• VisDrone: Набор данных, содержащий данные детекции объектов и отслеживания нескольких объектов с аэрофотосъемки дронов, включающий более 10 тыс. изображений и видеопоследовательностей.

Link to this sectionВнеси свой вклад в создание новых наборов данных#

Внесение вклада в виде нового набора данных включает несколько шагов, чтобы гарантировать его соответствие существующей инфраструктуре. Ниже приведены необходимые шаги:

Link to this sectionШаги для внесения вклада в новый набор данных#

1. Сбор изображений: Собери изображения, которые относятся к набору данных. Их можно собрать из различных источников, таких как общедоступные базы данных или собственная коллекция.

2. Аннотирование изображений: Проаннотируй эти изображения ограничивающими рамками, сегментами или ключевыми точками в зависимости от задачи.

3. Экспорт аннотаций: Конвертируй эти аннотации в формат файлов YOLO *.txt, который поддерживает Ultralytics.

4. Организация набора данных: Упорядочи свой набор данных в правильную структуру папок. У тебя должны быть папки верхнего уровня images/ и labels/, а внутри каждой — подпапки train/ и val/.

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

5. Создание файла data.yaml: В корневой директории твоего набора данных создай файл data.yaml, описывающий набор данных, классы и другую необходимую информацию.

6. Оптимизация изображений (необязательно): Если ты хочешь уменьшить размер набора данных для более эффективной обработки, ты можешь оптимизировать изображения с помощью кода ниже. Это не обязательно, но рекомендуется для уменьшения размера набора данных и ускорения загрузки.

7. Архивация набора данных: Сожми всю папку с набором данных в zip-файл.

8. Документирование и PR: Создай страницу документации, описывающую твой набор данных и то, как он вписывается в существующую структуру. После этого отправь Pull Request (PR). Обратись к Руководству по внесению вклада в Ultralytics для получения подробной информации о том, как отправить PR.

Link to this sectionПример кода для оптимизации и архивации набора данных#

   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)

Следуя этим шагам, ты сможешь внести вклад в новый набор данных, который хорошо интегрируется с существующей структурой Ultralytics.

Link to this sectionFAQ#

Link to this sectionКакие наборы данных Ultralytics поддерживает для детекции объектов?#

Ultralytics поддерживает широкий спектр наборов данных для детекции объектов, включая:

• COCO: Масштабный набор данных для детекции, сегментации и описания объектов, содержащий 80 категорий.
• LVIS: Обширный набор данных с 1203 категориями объектов, разработанный для более детальной детекции и сегментации объектов.
• Argoverse: Набор данных, содержащий информацию о 3D-отслеживании и прогнозировании движения в городских условиях с подробными аннотациями.
• VisDrone: Набор данных с данными детекции и отслеживания нескольких объектов с аэрофотосъемки дронов.
• SKU-110K: Включает плотную детекцию объектов в розничной среде с более чем 11 тыс. изображений.

Эти наборы данных способствуют обучению надежных моделей Ultralytics YOLO для различных приложений детекции объектов.

Link to this sectionКак мне внести свой вклад в новый набор данных для Ultralytics?#

Внесение вклада в новый набор данных включает несколько шагов:

1. Сбор изображений: Собери изображения из общедоступных баз данных или личных коллекций.
2. Аннотирование изображений: Нанеси ограничивающие рамки, сегменты или ключевые точки в зависимости от задачи.
3. Экспорт аннотаций: Конвертируй аннотации в формат YOLO *.txt.
4. Организация набора данных: Используй структуру папок с директориями train/ и val/, каждая из которых содержит подпапки images/ и labels/.
5. Создание файла data.yaml: Включи описание набора данных, классы и другую соответствующую информацию.
6. Оптимизация изображений (необязательно): Уменьши размер набора данных для эффективности.
7. Архивация набора данных: Сожми набор данных в zip-файл.
8. Документирование и PR: Опиши свой набор данных и отправь Pull Request, следуя Руководству по внесению вклада в Ultralytics.

Посети Внесение вклада в новые наборы данных для получения полного руководства.

Link to this sectionПочему мне стоит использовать платформу Ultralytics для своего набора данных?#

Ultralytics Platform предлагает мощные функции для управления данными и их анализа, включая:

• Бесшовное управление наборами данных: Загружай, организуй и управляй своими наборами данных в одном месте.
• Мгновенная интеграция с обучением: Используй загруженные наборы данных напрямую для обучения моделей без дополнительной настройки.
• Инструменты визуализации: Изучай и визуализируй изображения и аннотации твоего набора данных.
• Анализ наборов данных: Получай ценную информацию о распределении и характеристиках твоего набора данных.

Платформа упрощает переход от управления данными к обучению моделей, делая весь процесс более эффективным. Узнай больше об Ultralytics Platform Datasets.

Link to this sectionКаковы уникальные особенности моделей Ultralytics YOLO для компьютерного зрения?#

Модели Ultralytics YOLO предоставляют ряд уникальных возможностей для задач computer vision:

• Производительность в реальном времени: Высокоскоростной инференс и возможности обучения для приложений, критичных ко времени.
• Универсальность: Поддержка задач детектирования, сегментации экземпляров, семантической сегментации, классификации и оценки поз в рамках единого фреймворка.
• Предобученные модели: Доступ к высокопроизводительным предобученным моделям для различных приложений, что сокращает время обучения.
• Широкая поддержка сообщества: Активное сообщество и исчерпывающая документация для решения проблем и разработки.
• Легкая интеграция: Простой API для интеграции с существующими проектами и рабочими процессами.

Узнай больше о моделях YOLO на странице Ultralytics Models.

Link to this sectionКак я могу оптимизировать и заархивировать набор данных с помощью инструментов Ultralytics?#

Чтобы оптимизировать и заархивировать набор данных с помощью инструментов Ultralytics, воспользуйся этим примером кода:

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)

Этот процесс помогает уменьшить размер набора данных для более эффективного хранения и ускорения загрузки. Узнай больше о том, как оптимизировать и заархивировать набор данных.