Обзор наборов данных

Ultralytics provides support for various datasets to facilitate computer vision tasks such as detection, instance segmentation, pose estimation, classification, and multi-object tracking. Below is a list of the main Ultralytics datasets, followed by a summary of each computer vision task and the respective datasets.

Смотри: Ultralytics Обзор наборов данных

Ultralytics Explorer 🚀 NEW

Create embeddings for your dataset, search for similar images, run SQL queries, perform semantic search and even search using natural language! You can get started with our GUI app or build your own using the API. Learn more here.

• Попробуй демонстрацию графического интерфейса
• Узнай больше об API Explorer

Обнаружение объектов

Bounding box object detection is a computer vision technique that involves detecting and localizing objects in an image by drawing a bounding box around each object.

• Argoverse: Набор данных, содержащий данные 3D-трекинга и прогнозирования движения в городской среде с богатыми аннотациями.
• COCO: Common Objects in Context (COCO) - это масштабный набор данных по обнаружению, сегментации объектов и созданию надписей, включающий 80 категорий объектов.
• LVIS: масштабный набор данных для обнаружения, сегментации и создания титров, включающий 1203 категории объектов.
• COCO8: меньшее подмножество первых 4 изображений из COCO train и COCO val, подходящее для быстрых тестов.
• COCO128: A smaller subset of the first 128 images from COCO train and COCO val, suitable for tests.
• Global Wheat 2020: Набор данных, содержащий изображения головок пшеницы для Глобального пшеничного вызова 2020 года.
• Objects365: Высококачественный крупномасштабный набор данных для обнаружения объектов, включающий 365 категорий объектов и более 600 тысяч аннотированных изображений.
• OpenImagesV7: обширный набор данных от Google с 1,7 млн обучающих и 42 тыс. проверочных изображений.
• SKU-110K: Набор данных для обнаружения плотных объектов в условиях розничной торговли, содержащий более 11 тысяч изображений и 1,7 миллиона ограничивающих рамок.
• VisDrone: Набор данных, содержащий данные по обнаружению объектов и отслеживанию многообъектного движения по снимкам, сделанным дронами, и включающий более 10 тысяч изображений и видеопоследовательностей.
• VOC: Набор данных Pascal Visual Object Classes (VOC) для обнаружения и сегментации объектов, включающий 20 классов объектов и более 11 тысяч изображений.
• xView: Набор данных для обнаружения объектов на снимках, сделанных сверху, с 60 категориями объектов и более чем 1 миллионом аннотированных объектов.
• Roboflow 100: Разнообразный эталон обнаружения объектов со 100 наборами данных, охватывающими семь областей изображений, для всесторонней оценки моделей.
• Опухоль головного мозга: Набор данных для обнаружения опухолей мозга включает в себя снимки МРТ или КТ с подробной информацией о наличии, расположении и характеристиках опухоли.
• African-wildlife: Набор данных, содержащий изображения диких животных Африки, включая буйвола, слона, носорога и зебру.
• Подпись: Набор данных, содержащий изображения различных документов с аннотированными подписями, поддерживающий исследования по проверке документов и выявлению мошенничества.

Сегментация экземпляров

Сегментация объектов - это техника компьютерного зрения, которая предполагает идентификацию и локализацию объектов на изображении на уровне пикселей.

• COCO: масштабный набор данных, предназначенный для задач обнаружения объектов, сегментации и создания надписей и содержащий более 200 тысяч помеченных изображений.
• COCO8-seg: меньший набор данных для задач сегментации экземпляров, содержащий подмножество из 8 изображений COCO с аннотациями к сегментации.
• COCO128-seg: A smaller dataset for instance segmentation tasks, containing a subset of 128 COCO images with segmentation annotations.
• Crack-seg: Специально созданный набор данных для обнаружения трещин на дорогах и стенах, применимый как для задач обнаружения объектов, так и для сегментации.
• Package-seg: специализированный набор данных для идентификации упаковок на складах или в промышленных условиях, подходящий как для обнаружения объектов, так и для сегментации.
• Carparts-seg: целевой набор данных для идентификации деталей автомобиля, предназначенный для нужд дизайна, производства и исследований. Он служит как для задач обнаружения объектов, так и для сегментации.

Оценка позы

Оценка позы - это техника, используемая для определения позы объекта относительно камеры или мировой системы координат.

• COCO: крупномасштабный набор данных с аннотациями поз человека, предназначенный для задач оценки позы.
• COCO8-pose: меньший набор данных для задач оценки позы, содержащий подмножество из 8 изображений COCO с аннотациями поз человека.
• Tiger-pose: компактный набор данных, состоящий из 263 изображений тигров, аннотированных 12 ключевыми точками на каждого тигра для задач оценки позы.
• Hand-Keypoints: A concise dataset featuring over 26,000 images centered on human hands, annotated with 21 keypoints per hand, designed for pose estimation tasks.

Классификация

Image classification is a computer vision task that involves categorizing an image into one or more predefined classes or categories based on its visual content.

• 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 тысяч цветных изображений 32х32 в 10 классах, по 6 тысяч 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 полутоновых изображений 10 категорий моды, для задач классификации изображений.
• ImageNet: Крупномасштабный набор данных для обнаружения объектов и классификации изображений, содержащий более 14 миллионов изображений и 20 000 категорий.
• ImageNet-10: уменьшенное подмножество ImageNet с 10 категориями для более быстрого проведения экспериментов и тестирования.
• Imagenette: Уменьшенное подмножество ImageNet, которое содержит 10 легко различимых классов для более быстрого обучения и тестирования.
• Imagewoof: Более сложное подмножество ImageNet, содержащее 10 категорий пород собак для задач классификации изображений.
• MNIST: Набор данных из 70 000 полутоновых изображений рукописных цифр для задач классификации изображений.

Ориентированные граничные коробки (OBB)

Oriented Bounding Boxes (OBB) - метод в компьютерном зрении для обнаружения на изображениях объектов, расположенных под углом, с помощью повернутых ограничительных коробок, часто применяемый к аэро- и спутниковым снимкам.

• DOTA-v2: Популярный набор данных аэрофотосъемки OBB, содержащий 1,7 миллиона экземпляров и 11 268 изображений.
• DOTA8: A smaller subset of the first 8 images from the DOTAv1 split set, 4 for training and 4 for validation, suitable for quick tests.

Слежение за несколькими объектами

Многообъектное отслеживание - это техника компьютерного зрения, которая предполагает обнаружение и отслеживание нескольких объектов во времени в видеопоследовательности.

• Argoverse: Набор данных, содержащий данные 3D-слежения и прогнозирования движения в городской среде с богатыми аннотациями для задач слежения за несколькими объектами.
• VisDrone: Набор данных, содержащий данные по обнаружению объектов и отслеживанию многообъектного движения по снимкам, сделанным дронами, и включающий более 10 тысяч изображений и видеопоследовательностей.

Вносите новые данные

Внесение нового набора данных включает в себя несколько шагов, чтобы убедиться, что он хорошо сочетается с существующей инфраструктурой. Ниже перечислены необходимые шаги:

Шаги по созданию нового набора данных

1. Собери изображения: Собери изображения, которые относятся к набору данных. Они могут быть собраны из разных источников, например, из публичных баз данных или твоей собственной коллекции.
2. Аннотируй изображения: Аннотируй эти изображения ограничительными рамками, сегментами или ключевыми точками, в зависимости от задачи.
3. Экспорт аннотаций: Преобразуй эти аннотации в YOLO *.txt формат файлов, который поддерживает Ultralytics .

4. Организуй набор данных: Разложи свой набор данных в правильную структуру папок. У тебя должно быть train/ и val/ каталоги верхнего уровня, а внутри каждого из них - images/ и labels/ подкаталог.

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

5. Создай data.yaml Файл: В корневом каталоге твоего набора данных создай папку data.yaml файл, в котором описывается набор данных, классы и другая необходимая информация.

6. Оптимизируй изображения (необязательно): Если ты хочешь уменьшить размер набора данных для более эффективной обработки, то можешь оптимизировать изображения с помощью кода, приведенного ниже. Это не обязательно, но рекомендуется для уменьшения размера набора данных и повышения скорости загрузки.
7. Zip Dataset: Сожми всю папку с набором данных в zip-файл.
8. Документируй и пиарь: Создай страницу документации, описывающую твой набор данных и то, как он вписывается в существующий фреймворк. После этого отправь Pull Request (PR). Подробнее о том, как подавать PR, читай в Ultralytics Contribution Guidelines.

Пример кода для оптимизации и сжатия 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 создать новый набор данных, который хорошо впишется в существующую структуру Ultralytics'.

ВОПРОСЫ И ОТВЕТЫ

What datasets does Ultralytics support for object detection?

Ultralytics supports a wide variety of datasets for object detection, including:

• COCO: A large-scale object detection, segmentation, and captioning dataset with 80 object categories.
• LVIS: An extensive dataset with 1203 object categories, designed for more fine-grained object detection and segmentation.
• Argoverse: Набор данных, содержащий данные 3D-трекинга и прогнозирования движения в городской среде с богатыми аннотациями.
• VisDrone: A dataset with object detection and multi-object tracking data from drone-captured imagery.
• SKU-110K: Featuring dense object detection in retail environments with over 11K images.

Эти наборы данных облегчают обучение надежных моделей для различных приложений по обнаружению объектов.

Как добавить новый набор данных на Ultralytics?

Contributing a new dataset involves several steps:

1. Collect Images: Gather images from public databases or personal collections.
2. Annotate Images: Apply bounding boxes, segments, or keypoints, depending on the task.
3. Экспорт аннотаций: Преобразуй аннотации в YOLO *.txt формат.
4. Организуй набор данных: Используй структуру папок с train/ и val/ каталоги, каждый из которых содержит images/ и labels/ subdirectories.
5. Создай data.yaml Файл: Include dataset descriptions, classes, and other relevant information.
6. Optimize Images (Optional): Reduce dataset size for efficiency.
7. Zip Dataset: Compress the dataset into a zip file.
8. Document and PR: Describe your dataset and submit a Pull Request following Ultralytics Contribution Guidelines.

Посетите раздел " Вносить новые данные ", чтобы получить исчерпывающее руководство.

Почему я должен использовать Ultralytics Explorer для своего набора данных?

Ultralytics Explorer offers powerful features for dataset analysis, including:

• Embeddings Generation: Create vector embeddings for images.
• Semantic Search: Search for similar images using embeddings or AI.
• SQL Queries: Run advanced SQL queries for detailed data analysis.
• Natural Language Search: Search using plain language queries for ease of use.

Изучи Ultralytics Explorer, чтобы получить больше информации и попробовать демо-версию графического интерфейса.

What are the unique features of Ultralytics YOLO models for computer vision?

Ultralytics YOLO models provide several unique features:

• Real-time Performance: High-speed inference and training.
• Versatility: Suitable for detection, segmentation, classification, and pose estimation tasks.
• Pretrained Models: Access to high-performing, pretrained models for various applications.
• Extensive Community Support: Active community and comprehensive documentation for troubleshooting and development.

Узнай больше о сайте YOLO на Ultralytics YOLO странице.

Как оптимизировать и заархивировать набор данных с помощью инструментов Ultralytics ?

Чтобы оптимизировать и застегнуть набор данных с помощью инструментов Ultralytics , следуй этому примеру 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)

Узнай больше о том, как оптимизировать и застегнуть набор данных.

📅 Created 11 months ago ✏️ Updated 3 days ago

Комментарии