COCO128 Veri Seti#
Giriş#
Ultralytics COCO128, COCO train 2017 setinin ilk 128 görüntüsünden oluşan küçük ama çok yönlü bir nesne tespiti veri kümesidir. Bu veri kümesi, nesne tespiti modellerini test etmek ve hata ayıklamak ya da yeni tespit yaklaşımlarını denemek için idealdir. 128 görüntü ile kolayca yönetilebilecek kadar küçük, ancak eğitim boru hatlarını hatalar açısından test etmek ve daha büyük veri kümelerini eğitmeden önce bir mantık denetimi (sanity check) görevi görecek kadar çeşitlidir.
Watch: Ultralytics COCO Dataset Overview
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanılmak üzere tasarlanmıştır.
Veri Kümesi Yapısı#
COCO128, COCO train 2017 setindeki ilk 128 görüntüyü içerir ve 80 COCO nesne sınıfının tümünü YOLO etiket formatında kapsar. Aynı 128 görüntü hem eğitim hem de doğrulama bölümü (split) olarak hizmet vererek hızlı mantık denetimleri için hafif kalmasını sağlar:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/Veri Kümesi YAML#
Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Dosya; veri kümesinin yolları, sınıfları ve ilgili diğer bilgiler hakkında veriler içerir. COCO128 veri kümesi durumunda, coco128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml adresinde barındırılmaktadır.
# 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 başlattığınızda otomatik olarak indirilir. 640 görüntü boyutuyla COCO128 üzerinde 100 epoch boyunca bir YOLO26n modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına göz at.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Örnek Görüntüler ve Ek Açıklamalar#
İşte COCO128 veri setinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yapma yeteneğini geliştirmeye yardımcı olur.
Bu örnek, COCO128 veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın avantajlarını sergiliyor.
Alıntılar ve Teşekkür#
COCO veri setini 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}
}Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturan ve sürdüren COCO Konsorsiyumu'na teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.
SSS#
Ultralytics COCO128 veri kümesi, COCO train 2017 veri kümesindeki ilk 128 görüntüyü içeren kompakt bir alt kümedir. Genellikle nesne tespiti modellerini test etmek ve hata ayıklamak, yeni tespit yaklaşımlarını denemek ve daha büyük veri kümelerine geçmeden önce eğitim boru hatlarını doğrulamak için kullanılır. Yönetilebilir boyutu, anlamlı bir test vakası için yeterli çeşitlilik sağlarken hızlı yinelemeler (iterations) yapmanı mükemmel bir şekilde destekler.
COCO128 veri setinde bir YOLO26 modeli eğitmek için Python veya CLI komutlarını kullanabilirsin. İşte nasıl yapılacağı:
Eğitim Örneğifrom ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Daha fazla eğitim seçeneği ve parametre için Eğitim belgelerine göz at.
Örnek görüntülerde gösterildiği gibi mozaik artırma, birden fazla eğitim görüntüsünü tek bir kompozit görüntüde birleştirir. Bu teknik, COCO128 ile eğitim yaparken birkaç avantaj sunar:
- Her eğitim grubundaki nesnelerin ve bağlamların çeşitliliğini artırır
- Farklı nesne boyutları ve en boy oranları genelinde model genellemesini iyileştirir
- Çeşitli ölçeklerdeki nesneler için algılama performansını artırır
- Daha çeşitli eğitim örnekleri oluşturarak küçük bir veri setinin faydasını en üst düzeye çıkarır
Bu teknik, özellikle COCO128 gibi daha küçük veri setleri için değerlidir ve modellerin sınırlı veriden daha sağlam özellikler öğrenmesine yardımcı olur.
COCO128 (128 görüntü), boyut olarak COCO8 (8 görüntü) ile tam COCO veri kümesi (118 binden fazla görüntü) arasında yer alır:
- COCO8: Sadece 8 görüntü içerir (4 eğitim, 4 doğrulama) - hızlı testler ve hata ayıklama için idealdir
- COCO128: 128 görüntü içerir - boyut ve çeşitlilik arasında dengelidir
- Tam COCO: 118K+ eğitim görüntüsü içerir - kapsamlıdır ancak kaynak yoğunlukludur
COCO128, COCO8'den daha fazla çeşitlilik sunarken, deneme ve ilk model geliştirme için tam COCO veri setinden çok daha yönetilebilir kalarak iyi bir orta yol sağlar.
COCO128 öncelikle nesne algılama için tasarlanmış olsa da, veri setinin açıklamaları diğer bilgisayarlı görü görevleri için uyarlanabilir:
- Örnek bölümleme (Instance segmentation): Açıklamalarda sağlanan bölümleme maskelerini kullanarak
- Anahtar nokta algılama (Keypoint detection): Anahtar nokta açıklamalarına sahip insanlar içeren görüntüler için
- Transfer öğrenimi (Transfer learning): Özel görevler için modelleri ince ayarlamak adına bir başlangıç noktası olarak
Segmentasyon gibi özel görevler için, uygun etiketlemeleri içeren COCO8-seg gibi amaca yönelik varyantları kullanmayı düşün.