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:

• 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.
• 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.

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.

ВОПРОСЫ И ОТВЕТЫ

Что такое формат набора данных Ultralytics YOLO и как его структурировать?

Формат Ultralytics YOLO - это структурированная конфигурация для определения наборов данных в твоих учебных проектах. Он включает в себя задание путей к тренировочным, проверочным и тестовым изображениям и соответствующих меток. Например:

path: ../datasets/coco8  # dataset root directory
train: images/train  # training images (relative to 'path')
val: images/val  # validation images (relative to 'path')
test:  # optional test images
names:
  0: person
  1: bicycle
  2: car
  # ...

Ярлыки сохраняются в *.txt файлы с одним файлом на изображение, отформатированные как class x_center y_center width height с нормализованными координатами. Подробное руководство см. Пример набора данных COCO8.

Как преобразовать набор данных COCO в формат YOLO ?

Ты можешь преобразовать набор данных COCO в формат YOLO с помощью инструментов конвертации Ultralytics . Вот быстрый метод:

from ultralytics.data.converter import convert_coco

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

Этот код преобразует твои аннотации COCO в формат YOLO , обеспечивая бесшовную интеграцию с моделями Ultralytics YOLO . Для получения дополнительной информации посети раздел " Перенос или преобразование форматов меток ".

Какие наборы данных поддерживаются Ultralytics YOLO для обнаружения объектов?

Ultralytics YOLO поддерживает широкий спектр наборов данных, включая:

• Арговерс
• COCO
• LVIS
• COCO8
• Глобальная пшеница 2020
• Объекты365
• OpenImagesV7

На странице каждого датасета представлена подробная информация о структуре и использовании, адаптированная для эффективного обучения YOLOv8 . Ознакомься с полным списком в разделе " Поддерживаемые наборы данных ".

Как начать обучение модели YOLOv8 , используя свой набор данных?

Чтобы начать обучение модели YOLOv8 , убедись, что твой набор данных правильно отформатирован, а пути определены в YAML-файле. Чтобы начать обучение, используй следующий скрипт:

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # Load a pretrained model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=path/to/your_dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

Подробнее об использовании различных режимов, включая команды CLI , читай в разделе " Использование".

Где можно найти практические примеры использования Ultralytics YOLO для обнаружения объектов?

Ultralytics содержит множество примеров и практических руководств по использованию YOLOv8 в различных приложениях. Чтобы получить исчерпывающую информацию, посети блогUltralytics , где ты сможешь найти тематические исследования, подробные руководства и истории сообщества, демонстрирующие обнаружение объектов, сегментацию и многое другое с помощью YOLOv8. Конкретные примеры можно найти в разделе " Использование" в документации.

Комментарии