Link to this sectionCOCO128 Veri Seti#

Link to this sectionGiriş#

Ultralytics COCO128, COCO train 2017 kümesinin ilk 128 görüntüsünden oluşan küçük ama çok yönlü bir nesne algılama veri setidir. Bu veri seti, nesne algılama modellerini test etmek, hatalarını ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntü ile hem kolayca yönetilebilecek kadar küçüktür hem de eğitim hatlarını test etmek ve daha büyük veri setlerini eğitmeden önce bir doğrulama kontrolü yapmak için yeterince çeşitlidir.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için hazırlanmıştır.

Link to this sectionVeri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya; veri setinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. COCO128 veri seti durumunda, coco128.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml adresinde tutulmaktadır.

# 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.zip

Link to this sectionKullanım#

COCO128 veri setinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Eğitim model sayfasına başvur.

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)

Link to this sectionÖrnek 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.

Link to this sectionAlıntılar 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 oluşturdukları ve korudukları için COCO Konsorsiyumu'na teşekkür ederiz. COCO veri seti ve oluşturucuları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionUltralytics COCO128 veri seti ne için kullanılır?#

Ultralytics COCO128 veri seti, COCO train 2017 veri setindeki ilk 128 görüntüyü içeren kompakt bir alt kümedir. Öncelikle nesne algılama modellerini test etmek ve hatalarını ayıklamak, yeni algılama yaklaşımlarını denemek ve daha büyük veri setlerine ölçeklendirmeden önce eğitim hatlarını doğrulamak için kullanılır. Yönetilebilir boyutu, onu hızlı yinelemeler için mükemmel kılar ve yine de anlamlı bir test vakası olacak kadar çeşitlilik sağlar.

Link to this sectionCOCO128 veri setini kullanarak nasıl YOLO26 modeli eğitirim?#

COCO128 veri setinde bir YOLO26 modeli eğitmek için Python veya CLI komutlarını kullanabilirsin. İşte nasıl yapılacağı:

from 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 parametresi için Eğitim dokümantasyonuna bak.

Link to this sectionCOCO128 ile mozaik artırma kullanmanın faydaları nelerdir?#

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.

Link to this sectionCOCO128, diğer COCO veri seti varyantlarıyla nasıl karşılaştırılır?#

COCO128 (128 görüntü), boyut açısından COCO8 (8 görüntü) ile tam COCO veri seti (118K+ 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.

Link to this sectionCOCO128'i nesne algılama dışındaki görevler için kullanabilir miyim?#

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

bölümleme gibi özel görevler için, uygun açıklamaları içeren COCO8-seg gibi amaca özel varyantları kullanmayı düşün.