COCO128 Veri Kümesi#
Giriş#
Ultralytics COCO128, COCO train 2017 kümesindeki ilk 128 görüntüden oluşan küçük ama çok yönlü bir nesne algılama veri kümesidir. Bu veri kümesi, nesne algılama modellerini test etmek ve hata ayıklamak ya da yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntüyle kolayca yönetilebilecek kadar küçük, eğitim işlem hatalarını sınamak ve daha büyük veri kümeleriyle eğitime başlamadan önce makul bir kontrol sağlamak içinse yeterince çeşitlidir.
İzle: Ultralytics COCO Veri Kümesine Genel Bakış
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanılmak üzere tasarlanmıştır.
Veri Kümesi Yapısı#
COCO128, COCO train 2017 kümesindeki ilk 128 görüntüyü içerir ve YOLO etiket biçiminde 80 COCO sınıf adıyla etiketlenmiştir (bu görüntülerde bunların 71'i bulunur). Hızlı makuliyet kontrolleri için hafif kalmasını sağlamak üzere aynı 128 görüntü hem eğitim hem de doğrulama bölümü olarak kullanılır:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/Veri Kümesi YAML Dosyası#
Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO128 veri kümesinde coco128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml adresinde tutulur.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco128
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 MB)
# 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zipKullanım#
COCO128 veri kümesi (7 MB), eğitimi ilk başlattığında otomatik olarak indirilir. COCO128 üzerinde YOLO26n modelini görüntü boyutu 640 olacak şekilde 100 epoch eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli eğit
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Örnek Görüntüler ve Ek Açıklamalar#
COCO128 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar:
- Mozaik Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirir.
Örnek, COCO128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını gösteriyor.
Atıflar ve Teşekkürler#
COCO veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:
@misc{lin2015microsoft,
title={Microsoft COCO: Common Objects in Context},
author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
year={2015},
eprint={1405.0312},
archivePrefix={arXiv},
primaryClass={cs.CV}
}Bu değerli kaynağı oluşturup sürdürdüğü için COCO Konsorsiyumu'na bilgisayarlı görü topluluğu adına teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.
Sık Sorulan Sorular#
Ultralytics COCO128 veri kümesi, COCO train 2017 veri kümesindeki ilk 128 görüntüyü içeren kompakt bir alt kümedir. Öncelikli olarak nesne algılama modellerini test etmek ve hata ayıklamak, yeni algılama yaklaşımlarını denemek ve daha büyük veri kümelerine ölçeklendirmeden önce eğitim işlem hatlarını doğrulamak için kullanılır. Yönetilebilir boyutu, anlamlı bir test örneği oluşturacak kadar çeşitlilik sağlarken hızlı yinelemeler için de idealdir.
COCO128 veri kümesinde bir YOLO26 modelini eğitmek için Python veya CLI komutlarını kullanabilirsin. İşte nasıl yapacağın:
Eğitim Örneğifrom ultralytics import YOLO # Önceden eğitilmiş bir modeli yükle model = YOLO("yolo26n.pt") # Modeli eğit results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Daha fazla eğitim seçeneği ve parametre için Eğitim belgelerine bak.
Örnek görüntülerde gösterildiği gibi mozaik artırımı, birden fazla eğitim görüntüsünü tek bir bileşik görüntüde birleştirir. Bu teknik, COCO128 ile eğitim sırasında çeşitli faydalar sağlar:
- Her eğitim grubundaki nesne ve bağlam çeşitliliğini artırır
- Modelin farklı nesne boyutlarına ve en-boy oranlarına genelleme yeteneğini geliştirir
- Farklı ölçeklerdeki nesneler için algılama performansını artırır
- Daha çeşitli eğitim örnekleri oluşturarak küçük bir veri kümesinin faydasını en üst düzeye çıkarır
Bu teknik, COCO128 gibi daha küçük veri kümelerinde özellikle değerlidir ve modellerin sınırlı veriden daha sağlam özellikler öğrenmesine yardımcı olur.
COCO128 (128 görüntü), boyut bakımından COCO8 (8 görüntü) ile tam COCO veri kümesi (118 binden fazla görüntü) arasında yer alır:
- COCO8: Yalnızca 8 görüntü içerir (4 eğitim, 4 doğrulama); hızlı testler ve hata ayıklama için idealdir
- COCO128: 128 görüntü içerir; boyut ve çeşitlilik arasında denge sağlar
- Tam COCO: 118 binden fazla eğitim görüntüsü içerir; kapsamlıdır ancak yoğun kaynak gerektirir
COCO128, COCO8'den daha fazla çeşitlilik sunarken deneme ve ilk model geliştirme çalışmaları için tam COCO veri kümesinden çok daha yönetilebilir kalarak iyi bir orta yol sağlar.
COCO128 öncelikli olarak nesne algılama için tasarlanmış olsa da veri kümesinin açıklamaları diğer bilgisayarlı görü görevlerine uyarlanabilir:
- Örnek segmentasyonu: Açıklamalarda sağlanan segmentasyon maskelerini kullanma
- Anahtar nokta algılama: Anahtar nokta açıklamaları bulunan insan görüntülerinde kullanma
- Aktarım öğrenimi: Özel görevler için modelleri ince ayarlarken başlangıç noktası olarak kullanma
Segmentasyon gibi özel görevler için uygun açıklamaları içeren COCO8-seg gibi amaca yönelik varyantları kullanmayı düşün.