COCO128 Veri Kümesi
Giriş
Ultralytics COCO128, COCO train 2017 setinin ilk 128 görüntüsünden oluşan küçük ama çok yönlü bir nesne algılama veri kümesidir. Bu veri kümesi, nesne algılama modellerini test etmek ve hatalarını ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak daha büyük veri kümelerini eğitmeden önce hatalar için eğitim ardışık düzenlerini test etmek ve bir akıl sağlığı kontrolü görevi görmek için yeterince çeşitlidir.
İzle: Ultralytics COCO Veri Setine Genel Bakış
Bu veri kümesi, Ultralytics HUB ve YOLO11 ile kullanılmak üzere tasarlanmıştır.
Veri Seti YAML
YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO128 veri kümesi söz konusu olduğunda, coco128.yaml dosyası şu adreste tutulur: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.
ultralytics/cfg/datasets/coco128.yaml
# 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/coco/
# 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
Kullanım
640 görüntü boyutuyla COCO128 veri kümesinde bir YOLO11n modelini 100 epoch için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
İşte COCO128 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamaları:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini artırmak için birden çok görüntüyü tek bir görüntüde birleştiren eğitim sırasında kullanılan bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.
Bu örnek, COCO128 veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaiklemenin kullanımının faydalarını sergilemektedir.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda COCO veri kümesini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@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}
}
Bilgisayar görüşü topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için COCO Konsorsiyumu'na teşekkür etmek isteriz. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edin.
SSS
Ultralytics COCO128 veri seti ne için kullanılır?
Ultralytics COCO128 veri kümesi, COCO train 2017 veri kümesinden alınan 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 kümelerine ölçeklemeden önce eğitim hatlarını doğrulamak için kullanılır. Yönetilebilir boyutu, anlamlı bir test durumu olmak için yeterli çeşitlilik sağlarken hızlı yinelemeler için mükemmeldir.
COCO128 veri kümesini kullanarak bir YOLO11 modeli nasıl eğitirim?
COCO128 veri kümesinde bir YOLO11 modelini eğitmek için python veya CLI komutlarını kullanabilirsiniz. İşte nasıl yapılacağı:
Eğitim Örneği
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n.pt")
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Daha fazla eğitim seçeneği ve parametre için Eğitim dökümanlarına bakın.
COCO128 ile mozaik artırma kullanmanın faydaları nelerdir?
Mozaik artırma, sample_images'da gösterildiği gibi, birden fazla eğitim görüntüsünü tek birleşik bir görüntüde birleştirir. Bu teknik, COCO128 ile eğitim yaparken çeşitli avantajlar sunar:
- Her eğitim grubundaki nesne ve bağlam çeşitliliğini artırır
- Farklı nesne boyutları ve en boy oranlarında model genellemesini iyileştirir
- Çeşitli ölçeklerdeki nesneler için algılama performansını artırır
- Daha çeşitli eğitim örnekleri oluşturarak küçük bir veri kümesinin faydasını en üst düzeye çıkarır.
Bu teknik, modellerin sınırlı verilerden daha sağlam özellikler öğrenmesine yardımcı olarak COCO128 gibi daha küçük veri kümeleri için özellikle değerlidir.
COCO128, diğer COCO veri kümesi varyantlarıyla nasıl karşılaştırılır?
COCO128 (128 resim), boyut olarak COCO8 (8 resim) ile tam COCO veri kümesi (118K+ resim) arasında yer alır:
- COCO8: Sadece 8 görüntü içerir (4 eğitim, 4 doğrulama) - hızlı testler ve hata ayıklama için idealdir
- COCO128: Boyut ve çeşitlilik arasında dengelenmiş 128 görüntü içerir
- Tam COCO: 118K+'dan fazla eğitim görüntüsü içerir - kapsamlı ancak kaynak yoğundur
COCO128, COCO8'den daha fazla çeşitlilik sunarken, tam COCO veri kümesine göre deney ve ilk model geliştirme için çok daha yönetilebilir kalarak iyi bir orta yol sağlar.
COCO128'i nesne algılama dışındaki görevler için kullanabilir miyim?
COCO128 öncelikle nesne algılama için tasarlanmış olsa da, veri kümesinin açıklamaları diğer bilgisayar görüşü görevleri için uyarlanabilir:
- Örnek segmentasyonu: Açıklamalarda sağlanan segmentasyon maskelerini kullanarak
- Anahtar nokta tespiti: Anahtar nokta ek açıklamaları içeren insanlar içeren resimler için
- Transfer öğrenimi: Özel görevler için modellere ince ayar yapmaya başlamak için bir başlangıç noktası olarak
Segmentasyon gibi özel görevler için, uygun açıklamaları içeren COCO8-seg gibi amaca yönelik varyantları kullanmayı düşünebilirsiniz.
