─░├žeri─če ge├ž

Veri K├╝melerine Genel Bak─▒┼č

Ultralytics alg─▒lama, ├Ârnek segmentasyonu, poz tahmini, s─▒n─▒fland─▒rma ve ├žoklu nesne izleme gibi bilgisayarla g├Ârme g├Ârevlerini kolayla┼čt─▒rmak i├žin ├že┼čitli veri k├╝meleri i├žin destek sa─člar. A┼ča─č─▒da ana Ultralytics veri k├╝melerinin bir listesi ve ard─▒ndan her bir bilgisayarla g├Ârme g├Ârevinin ve ilgili veri k├╝melerinin bir ├Âzeti yer almaktad─▒r.



─░zle: Ultralytics Veri K├╝melerine Genel Bak─▒┼č

YEN─░ ­čÜÇ Ultralytics Explorer

Veri k├╝meniz i├žin yerle┼čtirmeler olu┼čturun, benzer g├Âr├╝nt├╝leri aray─▒n, SQL sorgular─▒ ├žal─▒┼čt─▒r─▒n, semantik arama yap─▒n ve hatta do─čal dil kullanarak arama yap─▒n! GUI uygulamam─▒zla ba┼člayabilir veya API'yi kullanarak kendi uygulaman─▒z─▒ olu┼čturabilirsiniz. Daha fazlas─▒n─▒ buradan ├Â─črenin.

Ultralytics Explorer Ekran G├Âr├╝nt├╝s├╝

Nesne Alg─▒lama

S─▒n─▒rlay─▒c─▒ kutu nesne tespiti, her nesnenin etraf─▒na bir s─▒n─▒rlay─▒c─▒ kutu ├žizerek bir g├Âr├╝nt├╝deki nesneleri tespit etmeyi ve konumland─▒rmay─▒ i├žeren bir bilgisayarla g├Ârme tekni─čidir.

  • Argoverse: Zengin ek a├ž─▒klamalara sahip kentsel ortamlardan 3B izleme ve hareket tahmini verilerini i├žeren bir veri k├╝mesi.
  • COCO: Common Objects in Context (COCO), 80 nesne kategorisine sahip b├╝y├╝k ├Âl├žekli bir nesne alg─▒lama, segmentasyon ve altyaz─▒ olu┼čturma veri k├╝mesidir.
  • LVIS: 1203 nesne kategorisine sahip b├╝y├╝k ├Âl├žekli bir nesne alg─▒lama, segmentasyon ve altyaz─▒ veri k├╝mesi.
  • COCO8: COCO train ve COCO val'den ilk 4 g├Âr├╝nt├╝n├╝n daha k├╝├ž├╝k bir alt k├╝mesi, h─▒zl─▒ testler i├žin uygundur.
  • K├╝resel Bu─čday 2020: Global Wheat Challenge 2020 i├žin bu─čday ba┼člar─▒n─▒n g├Âr├╝nt├╝lerini i├žeren bir veri k├╝mesi.
  • Objects365: Nesne tespiti i├žin 365 nesne kategorisi ve 600 binden fazla a├ž─▒klamal─▒ g├Âr├╝nt├╝ i├žeren y├╝ksek kaliteli, b├╝y├╝k ├Âl├žekli bir veri k├╝mesi.
  • OpenImagesV7: Google taraf─▒ndan 1,7 milyon e─čitme g├Âr├╝nt├╝s├╝ ve 42 bin do─črulama g├Âr├╝nt├╝s├╝ i├žeren kapsaml─▒ bir veri k├╝mesi.
  • SKU-110K: 11K'dan fazla g├Âr├╝nt├╝ ve 1,7 milyon s─▒n─▒rlay─▒c─▒ kutu ile perakende ortamlar─▒nda yo─čun nesne alg─▒lama ├Âzelli─čine sahip bir veri k├╝mesi.
  • VisDrone: 10K'dan fazla g├Âr├╝nt├╝ ve video dizisi ile drone ile yakalanan g├Âr├╝nt├╝lerden nesne alg─▒lama ve ├žoklu nesne izleme verilerini i├žeren bir veri k├╝mesi.
  • VOC: Nesne alg─▒lama ve segmentasyon i├žin 20 nesne s─▒n─▒f─▒ ve 11 binden fazla g├Âr├╝nt├╝ i├žeren Pascal G├Ârsel Nesne S─▒n─▒flar─▒ (VOC) veri seti.
  • xView: Ba┼č ├╝st├╝ g├Âr├╝nt├╝lerde nesne tespiti i├žin 60 nesne kategorisi ve 1 milyondan fazla a├ž─▒klamal─▒ nesne i├žeren bir veri k├╝mesi.
  • Roboflow 100: Kapsaml─▒ model de─čerlendirmesi i├žin yedi g├Âr├╝nt├╝ alan─▒n─▒ kapsayan 100 veri k├╝mesi i├žeren ├že┼čitli bir nesne alg─▒lama ├Âl├ž├╝t├╝.
  • Beyin t├╝m├Âr├╝: Beyin t├╝m├Ârlerini tespit etmeye y├Ânelik bir veri k├╝mesi, t├╝m├Âr varl─▒─č─▒, konumu ve ├Âzellikleri hakk─▒nda ayr─▒nt─▒lar i├žeren MRI veya CT tarama g├Âr├╝nt├╝lerini i├žerir.
  • Afrika-yaban hayat─▒: Bufalo, fil, gergedan ve zebralar da dahil olmak ├╝zere Afrika vah┼či ya┼čam─▒n─▒n g├Âr├╝nt├╝lerini i├žeren bir veri k├╝mesi.
  • ─░mza: Belge do─črulama ve sahtekarl─▒k tespit ara┼čt─▒rmalar─▒n─▒ destekleyen, a├ž─▒klamal─▒ imzalara sahip ├že┼čitli belgelerin g├Âr├╝nt├╝lerini i├žeren bir veri k├╝mesi.

├ľrnek Segmentasyonu

├ľrnek segmentasyonu, bir g├Âr├╝nt├╝deki nesneleri piksel d├╝zeyinde tan─▒mlamay─▒ ve konumland─▒rmay─▒ i├žeren bir bilgisayarla g├Ârme tekni─čidir.

  • COCO: 200 binden fazla etiketli g├Âr├╝nt├╝ ile nesne alg─▒lama, segmentasyon ve ba┼čl─▒kland─▒rma g├Ârevleri i├žin tasarlanm─▒┼č b├╝y├╝k ├Âl├žekli bir veri k├╝mesi.
  • COCO8-seg: ├ľrnek segmentasyon g├Ârevleri i├žin segmentasyon ek a├ž─▒klamalar─▒na sahip 8 COCO g├Âr├╝nt├╝s├╝n├╝n alt k├╝mesini i├žeren daha k├╝├ž├╝k bir veri k├╝mesi.
  • Crack-seg: Yollardaki ve duvarlardaki ├žatlaklar─▒ tespit etmek i├žin ├Âzel olarak haz─▒rlanm─▒┼č, hem nesne alg─▒lama hem de segmentasyon g├Ârevleri i├žin uygulanabilir veri k├╝mesi.
  • Package-seg: Depolardaki veya end├╝striyel ortamlardaki paketleri tan─▒mlamak i├žin uyarlanm─▒┼č veri k├╝mesi, hem nesne alg─▒lama hem de segmentasyon uygulamalar─▒ i├žin uygundur.
  • Carparts-seg: Tasar─▒m, ├╝retim ve ara┼čt─▒rma ihtiya├žlar─▒n─▒ kar┼č─▒layan ara├ž par├žalar─▒n─▒ tan─▒mlamak i├žin ├Âzel olarak olu┼čturulmu┼č veri k├╝mesi. Hem nesne alg─▒lama hem de segmentasyon g├Ârevleri i├žin kullan─▒l─▒r.

Poz Tahmini

Poz tahmini, nesnenin kameraya veya d├╝nya koordinat sistemine g├Âre pozunu belirlemek i├žin kullan─▒lan bir tekniktir.

  • COCO: Poz tahmini g├Ârevleri i├žin tasarlanm─▒┼č insan pozu ek a├ž─▒klamalar─▒ i├žeren b├╝y├╝k ├Âl├žekli bir veri k├╝mesi.
  • COCO8-pose: ─░nsan pozu ek a├ž─▒klamalar─▒ i├žeren 8 COCO g├Âr├╝nt├╝s├╝n├╝n bir alt k├╝mesini i├žeren, poz tahmini g├Ârevleri i├žin daha k├╝├ž├╝k bir veri k├╝mesi.
  • Tiger-pose: Kaplanlara odaklanan 263 g├Âr├╝nt├╝den olu┼čan kompakt bir veri k├╝mesi, poz tahmini g├Ârevleri i├žin kaplan ba┼č─▒na 12 anahtar nokta ile a├ž─▒klanm─▒┼čt─▒r.

S─▒n─▒fland─▒rma

G├Âr├╝nt├╝ s─▒n─▒fland─▒rma, bir g├Âr├╝nt├╝y├╝ g├Ârsel i├žeri─čine g├Âre ├Ânceden tan─▒mlanm─▒┼č bir veya daha fazla s─▒n─▒fa veya kategoriye ay─▒rmay─▒ i├žeren bir bilgisayarla g├Ârme g├Ârevidir.

  • Caltech 101: G├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevleri i├žin 101 nesne kategorisinin g├Âr├╝nt├╝lerini i├žeren bir veri k├╝mesi.
  • Caltech 256: Caltech 101'in 256 nesne kategorisi ve daha zorlu g├Âr├╝nt├╝ler i├žeren geni┼čletilmi┼č bir versiyonu.
  • CIFAR-10: S─▒n─▒f ba┼č─▒na 6K g├Âr├╝nt├╝ olmak ├╝zere 10 s─▒n─▒fta 60K 32x32 renkli g├Âr├╝nt├╝den olu┼čan bir veri k├╝mesi.
  • CIFAR-100: CIFAR-10'un 100 nesne kategorisi ve s─▒n─▒f ba┼č─▒na 600 g├Âr├╝nt├╝ i├žeren geni┼čletilmi┼č bir versiyonu.
  • Moda-MNIST: G├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevleri i├žin 10 moda kategorisine ait 70.000 gri tonlamal─▒ g├Âr├╝nt├╝den olu┼čan bir veri k├╝mesi.
  • ImageNet: Nesne alg─▒lama ve g├Âr├╝nt├╝ s─▒n─▒fland─▒rma i├žin 14 milyondan fazla g├Âr├╝nt├╝ ve 20.000 kategori i├žeren b├╝y├╝k ├Âl├žekli bir veri k├╝mesi.
  • ImageNet-10: Daha h─▒zl─▒ deneme ve test i├žin ImageNet'in 10 kategorili daha k├╝├ž├╝k bir alt k├╝mesi.
  • Imagenette: Daha h─▒zl─▒ e─čitim ve test i├žin kolayca ay─▒rt edilebilen 10 s─▒n─▒f i├žeren daha k├╝├ž├╝k bir ImageNet alt k├╝mesi.
  • Imagewoof: G├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevleri i├žin 10 k├Âpek cinsi kategorisi i├žeren ImageNet'in daha zorlu bir alt k├╝mesi.
  • MNIST: G├Âr├╝nt├╝ s─▒n─▒fland─▒rma g├Ârevleri i├žin el yaz─▒s─▒ rakamlar─▒n 70.000 gri tonlamal─▒ g├Âr├╝nt├╝s├╝nden olu┼čan bir veri k├╝mesi.

Y├Ânlendirilmi┼č S─▒n─▒rlay─▒c─▒ Kutular (OBB)

Y├Ânlendirilmi┼č S─▒n─▒rlay─▒c─▒ Kutular (OBB), genellikle hava ve uydu g├Âr├╝nt├╝lerine uygulanan, d├Ând├╝r├╝lm├╝┼č s─▒n─▒rlay─▒c─▒ kutular kullanarak g├Âr├╝nt├╝lerdeki a├ž─▒l─▒ nesneleri tespit etmek i├žin bilgisayarla g├Ârmede kullan─▒lan bir y├Ântemdir.

  • DOTA-v2: 1,7 milyon ├Ârnek ve 11.268 g├Âr├╝nt├╝ i├žeren pop├╝ler bir OBB hava g├Âr├╝nt├╝leri veri k├╝mesi.

Çoklu Nesne Takibi

├çoklu nesne takibi, bir video dizisinde zaman i├žinde birden fazla nesneyi tespit etmeyi ve izlemeyi i├žeren bir bilgisayarla g├Ârme tekni─čidir.

  • Argoverse: ├çoklu nesne izleme g├Ârevleri i├žin zengin ek a├ž─▒klamalara sahip kentsel ortamlardan 3B izleme ve hareket tahmini verilerini i├žeren bir veri k├╝mesi.
  • VisDrone: 10K'dan fazla g├Âr├╝nt├╝ ve video dizisi ile drone ile yakalanan g├Âr├╝nt├╝lerden nesne alg─▒lama ve ├žoklu nesne izleme verilerini i├žeren bir veri k├╝mesi.

Yeni Veri K├╝melerine Katk─▒da Bulunun

Yeni bir veri setine katk─▒da bulunmak, mevcut altyap─▒yla uyumlu olmas─▒n─▒ sa─člamak i├žin birka├ž ad─▒m i├žerir. A┼ča─č─▒da gerekli ad─▒mlar yer almaktad─▒r:

Yeni Bir Veri Setine Katk─▒da Bulunma Ad─▒mlar─▒

  1. G├Âr├╝nt├╝leri Toplay─▒n: Veri k├╝mesine ait g├Âr├╝nt├╝leri toplay─▒n. Bunlar kamuya a├ž─▒k veri tabanlar─▒ veya kendi koleksiyonunuz gibi ├že┼čitli kaynaklardan toplanabilir.
  2. G├Âr├╝nt├╝lere A├ž─▒klama Ekleme: G├Âreve ba─čl─▒ olarak bu g├Âr├╝nt├╝lere s─▒n─▒rlay─▒c─▒ kutular, segmentler veya anahtar noktalarla a├ž─▒klama ekleyin.
  3. Ek A├ž─▒klamalar─▒ D─▒┼ča Aktar: Bu ek a├ž─▒klamalar─▒ YOLO *.txt Ultralytics 'un destekledi─či dosya bi├žimi.
  4. Veri K├╝mesini D├╝zenle: Veri setinizi do─čru klas├Âr yap─▒s─▒na g├Âre d├╝zenleyin. ┼×unlara sahip olmal─▒s─▒n─▒z train/ ve val/ ├╝st d├╝zey dizinler ve her birinin i├žinde bir images/ ve labels/ alt dizin.

    dataset/
    ÔöťÔöÇÔöÇ train/
    Ôöé   ÔöťÔöÇÔöÇ images/
    Ôöé   ÔööÔöÇÔöÇ labels/
    ÔööÔöÇÔöÇ val/
        ÔöťÔöÇÔöÇ images/
        ÔööÔöÇÔöÇ labels/
    
  5. Olu┼čturmak data.yaml Dosya: Veri k├╝menizin k├Âk dizininde bir data.yaml veri k├╝mesini, s─▒n─▒flar─▒ ve di─čer gerekli bilgileri a├ž─▒klayan dosya.

  6. G├Âr├╝nt├╝leri Optimize Edin (─░ste─če Ba─čl─▒): Daha verimli i┼čleme i├žin veri k├╝mesinin boyutunu k├╝├ž├╝ltmek istiyorsan─▒z, a┼ča─č─▒daki kodu kullanarak g├Âr├╝nt├╝leri optimize edebilirsiniz. Bu gerekli de─čildir, ancak daha k├╝├ž├╝k veri k├╝mesi boyutlar─▒ ve daha y├╝ksek indirme h─▒zlar─▒ i├žin ├Ânerilir.
  7. Veri Setini Zipleyin: T├╝m veri k├╝mesi klas├Âr├╝n├╝ bir zip dosyas─▒na s─▒k─▒┼čt─▒r─▒n.
  8. Belge ve PR: Veri setinizi ve mevcut ├žer├ževeye nas─▒l uydu─čunu a├ž─▒klayan bir dok├╝mantasyon sayfas─▒ olu┼čturun. Bundan sonra, bir ├çekme ─░ste─či (PR) g├Ânderin. PR'nin nas─▒l g├Ânderilece─či hakk─▒nda daha fazla bilgi i├žin Ultralytics Katk─▒ Y├Ânergelerine bak─▒n.

Bir Veri K├╝mesini Optimize Etmek ve Ziplemek i├žin ├ľrnek Kod

Bir Veri Setini Optimize Etme ve Zipleme

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)

Bu ad─▒mlar─▒ izleyerek, Ultralytics'un mevcut yap─▒s─▒yla iyi bir ┼čekilde b├╝t├╝nle┼čen yeni bir veri k├╝mesine katk─▒da bulunabilirsiniz.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (9), RizwanMunawar (2), Burhan-Q (1), Laughing-q (1), abirami-vina (1), AyushExel (2)

Yorumlar