Обзор наборов данных для обнаружения объектов

Для обучения надежной и точной модели обнаружения объектов требуется обширный набор данных. Это руководство знакомит с различными форматами наборов данных, совместимых с моделью Ultralytics YOLO , и рассказывает об их структуре, использовании и способах конвертации между различными форматами.

Поддерживаемые форматы наборов данных

Ultralytics YOLO Формат

Формат Ultralytics YOLO - это формат конфигурации набора данных, который позволяет тебе определить корневую директорию набора данных, относительные пути к директориям тренировочных/оценочных/тестовых изображений или *.txt файлы, содержащие пути к изображениям, и словарь имен классов. Вот пример:

# 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

Этикетки для этого формата должны быть экспортированы в формат YOLO с одним *.txt файл на одно изображение. Если в изображении нет объектов, то не *.txt требуется файл. Сайт *.txt Файл должен быть отформатирован так, чтобы на каждый объект приходилось по одной строке в class x_center y_center width height Формат. Координаты коробки должны быть в нормализованный xywh формат (от 0 до 1). Если твои поля в пикселях, то ты должен разделить x_center и width по ширине изображения, и y_center и height по высоте изображения. Номера классов должны иметь нулевую индексацию (начинаться с 0).

Файл с метками, соответствующий изображению выше, содержит 2 человека (класс 0) и ничья (класс 27):

При использовании формата Ultralytics YOLO организуй свои тренировочные и проверочные изображения и метки так, как показано в примере с набором данных COCO8 ниже.

Использование

Вот как ты можешь использовать эти форматы для обучения своей модели:

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

Поддерживаемые наборы данных

Вот список поддерживаемых наборов данных и краткое описание каждого из них:

• Арговерс: Коллекция данных датчиков, собранных с автономных автомобилей. Она содержит аннотации 3D-слежения за автомобильными объектами.
• COCO: Common Objects in Context (COCO) - это масштабный набор данных для обнаружения, сегментации и создания надписей, включающий 80 категорий объектов.
• LVIS: LVIS - это масштабный набор данных для обнаружения, сегментации и создания титров, включающий 1203 категории объектов.
• КОКО8 (COCO8): Меньшее подмножество набора данных COCO, COCO8 является более легким и быстрым в обучении.
• GlobalWheat2020: Набор данных, содержащий изображения головок пшеницы для Глобального пшеничного вызова 2020 года.
• Объекты365: Крупномасштабный набор данных для обнаружения объектов, включающий 365 категорий объектов и 600 тысяч изображений, направленный на развитие исследований в области обнаружения объектов.
• OpenImagesV7: Обширный набор данных от Google, содержащий 1,7 млн обучающих и 42 тыс. проверочных изображений.
• SKU-110K: Набор данных, содержащий изображения плотно упакованных розничных товаров, предназначенный для обнаружения объектов в розничной среде.
• VisDrone: Набор данных, посвященный изображениям, сделанным с помощью дронов, содержащий различные категории объектов, такие как автомобили, пешеходы и велосипедисты.
• VOC: PASCAL VOC - популярный набор данных для обнаружения объектов, включающий 20 категорий объектов, в том числе транспортные средства, животных и мебель.
• xView: Набор данных, содержащий спутниковые снимки высокого разрешения, предназначенный для обнаружения различных классов объектов на видах сверху.
• Опухоль головного мозга: Этот набор данных включает в себя снимки МРТ или КТ, содержащие информацию о наличии, расположении и характеристиках опухоли мозга. Он играет важную роль в обучении моделей компьютерного зрения для автоматизации идентификации опухолей, облегчая раннюю диагностику и планирование лечения.
• Африканская дикая природа: Этот набор данных, содержащий изображения африканских диких животных, таких как буйвол, слон, носорог и зебра, играет важную роль в обучении моделей компьютерного зрения. Он незаменим для идентификации животных в различных средах обитания и вносит значительный вклад в исследования дикой природы.

Добавление собственного набора данных

Если у тебя есть свой собственный набор данных и ты хочешь использовать его для обучения моделей обнаружения с форматом Ultralytics YOLO , убедись, что он соответствует формату, указанному выше в разделе "ФорматUltralytics YOLO ". Преобразуй свои аннотации в нужный формат и укажи пути, количество классов и названия классов в конфигурационном файле YAML.

Перенос или преобразование форматов этикеток

Формат набора данных COCO в формат YOLO

Ты можешь легко конвертировать метки из популярного формата набора данных COCO в формат YOLO с помощью следующего фрагмента кода:

from ultralytics.data.converter import convert_coco

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

Этот инструмент конвертации можно использовать для преобразования набора данных COCO или любого другого набора данных в формате COCO в формат Ultralytics YOLO .

Не забудь перепроверить, совместим ли набор данных, который ты хочешь использовать, с твоей моделью и соблюдает ли он необходимые соглашения о формате. Правильно отформатированные наборы данных очень важны для обучения успешных моделей обнаружения объектов.

Комментарии