Görüntü Sınıflandırma Veri Kümelerine Genel Bakış

YOLO Sınıflandırma Görevleri için Veri Kümesi Yapısı

İçin Ultralytics YOLO sınıflandırma görevleri için, veri kümesinin belirli bir ayrık-döngü yapısı altında düzenlenmesi gerekir. root Uygun eğitim, test ve isteğe bağlı doğrulama süreçlerini kolaylaştırmak için dizin. Bu yapı eğitim için ayrı dizinler içerir (train) ve test (test) aşamaları, doğrulama için isteğe bağlı bir dizin (val).

Bu dizinlerin her biri, veri kümesindeki her sınıf için bir alt dizin içermelidir. Alt dizinler ilgili sınıfın adını alır ve o sınıfa ait tüm görüntüleri içerir. Her görüntü dosyasının benzersiz bir şekilde adlandırıldığından ve JPEG veya PNG gibi ortak bir formatta saklandığından emin olun.

Klasör Yapısı Örneği

Örnek olarak CIFAR-10 veri setini ele alalım. Klasör yapısı aşağıdaki gibi olmalıdır:

cifar-10-/
|
|-- train/
|   |-- airplane/
|   |   |-- 10008_airplane.png
|   |   |-- 10009_airplane.png
|   |   |-- ...
|   |
|   |-- automobile/
|   |   |-- 1000_automobile.png
|   |   |-- 1001_automobile.png
|   |   |-- ...
|   |
|   |-- bird/
|   |   |-- 10014_bird.png
|   |   |-- 10015_bird.png
|   |   |-- ...
|   |
|   |-- ...
|
|-- test/
|   |-- airplane/
|   |   |-- 10_airplane.png
|   |   |-- 11_airplane.png
|   |   |-- ...
|   |
|   |-- automobile/
|   |   |-- 100_automobile.png
|   |   |-- 101_automobile.png
|   |   |-- ...
|   |
|   |-- bird/
|   |   |-- 1000_bird.png
|   |   |-- 1001_bird.png
|   |   |-- ...
|   |
|   |-- ...
|
|-- val/ (optional)
|   |-- airplane/
|   |   |-- 105_airplane.png
|   |   |-- 106_airplane.png
|   |   |-- ...
|   |
|   |-- automobile/
|   |   |-- 102_automobile.png
|   |   |-- 103_automobile.png
|   |   |-- ...
|   |
|   |-- bird/
|   |   |-- 1045_bird.png
|   |   |-- 1046_bird.png
|   |   |-- ...
|   |
|   |-- ...

Bu yapılandırılmış yaklaşım, modelin eğitim aşamasında iyi düzenlenmiş sınıflardan etkili bir şekilde öğrenebilmesini ve test ve doğrulama aşamalarında performansı doğru bir şekilde değerlendirebilmesini sağlar.

Kullanım

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-cls.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='path/to/dataset', epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=path/to/data model=yolov8n-cls.pt epochs=100 imgsz=640

Desteklenen Veri Setleri

Ultralytics otomatik indirme ile aşağıdaki veri kümelerini destekler:

• Caltech 101: Görüntü sınıflandırma görevleri için 101 nesne kategorisinin görüntülerini içeren bir veri kümesi.
• Caltech 256: Caltech 101'in 256 nesne kategorisi ve daha zorlu görüntüler içeren genişletilmiş bir versiyonu.
• CIFAR-10: Sınıf başına 6K görüntü olmak üzere 10 sınıfta 60K 32x32 renkli görüntüden oluşan bir veri kümesi.
• CIFAR-100: CIFAR-10'un 100 nesne kategorisi ve sınıf başına 600 görüntü içeren genişletilmiş bir versiyonu.
• Moda-MNIST: Görüntü sınıflandırma görevleri için 10 moda kategorisine ait 70.000 gri tonlamalı görüntüden oluşan bir veri kümesi.
• ImageNet: Nesne algılama ve görüntü sınıflandırma için 14 milyondan fazla görüntü ve 20.000 kategori içeren büyük ölçekli bir veri kümesi.
• ImageNet-10: Daha hızlı deneme ve test için ImageNet'in 10 kategorili daha küçük bir alt kümesi.
• Imagenette: Daha hızlı eğitim ve test için kolayca ayırt edilebilen 10 sınıf içeren daha küçük bir ImageNet alt kümesi.
• Imagewoof: Görüntü sınıflandırma görevleri için 10 köpek cinsi kategorisi içeren ImageNet'in daha zorlu bir alt kümesi.
• MNIST: Görüntü sınıflandırma görevleri için el yazısı rakamların 70.000 gri tonlamalı görüntüsünden oluşan bir veri kümesi.

Kendi veri setinizi ekleme

Kendi veri setiniz varsa ve bunu Ultralytics ile sınıflandırma modellerini eğitmek için kullanmak istiyorsanız, yukarıda "Veri seti formatı" altında belirtilen formata uygun olduğundan emin olun ve ardından data argümanını veri kümesi dizinine yönlendirir.

Yorumlar