Link to this sectionCOCO8 Veri Kümesi#

Link to this sectionGiriş#

Ultralytics COCO8 veri seti, COCO train 2017 setinden alınan ilk 8 görselden (4 eğitim, 4 doğrulama) oluşan, küçük ancak güçlü bir nesne algılama veri setidir. Bu veri seti, özellikle YOLO modelleri ve eğitim süreçleri ile hızlı test, hata ayıklama ve deneme yapman için tasarlanmıştır. Küçük boyutu sayesinde yönetimi oldukça kolaydır ve çeşitliliği, daha büyük veri setlerine geçmeden önce etkili bir temel kontrol yapmanı sağlar.

COCO8, Ultralytics Platform ve YOLO26 ile tamamen uyumludur ve bilgisayarlı görü iş akışlarına sorunsuz entegrasyon sağlar.

Link to this sectionVeri Kümesi YAML#

COCO8 veri kümesi yapılandırması, veri kümesi yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML (Yet Another Markup Language) dosyasında tanımlanmıştır. Resmî coco8.yaml dosyasını Ultralytics GitHub deposunda inceleyebilirsin.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 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: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8.zip

Link to this sectionKullanım#

COCO8 veri kümesi üzerinde 640 görüntü boyutu ile 100 epoch boyunca bir YOLO26n modeli eğitmek için aşağıdaki örnekleri kullan. Eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine göz at.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

Aşağıda, COCO8 veri kümesinden mozaiklenmiş bir eğitim grubu örneği yer almaktadır:

• Mozaiklenmiş Görüntü: Bu görüntü, birden fazla veri kümesi görüntüsünün mozaik artırma yöntemiyle birleştirildiği bir eğitim grubunu göstermektedir. Mozaik artırma, her gruptaki nesne ve sahne çeşitliliğini artırarak modelin çeşitli nesne boyutlarına, en-boy oranlarına ve arka planlara daha iyi uyum sağlamasına yardımcı olur.

Bu teknik, COCO8 gibi küçük veri kümeleri için özellikle yararlıdır; çünkü eğitim sırasında her görüntünün değerini en üst düzeye çıkarır.

Link to this sectionAlıntılar ve Teşekkür#

Eğer COCO veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu 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}
}

Special thanks to the COCO Consortium for their ongoing contributions to the computer vision community.

Link to this sectionSSS#

Link to this sectionUltralytics COCO8 Veri Kümesi Ne İçin Kullanılır?#

Ultralytics COCO8 veri seti, nesne algılama modellerinin hızlı testi ve hata ayıklaması için tasarlanmıştır. Sadece 8 görselle (4 eğitim, 4 doğrulama için), YOLO eğitim süreçlerini doğrulamak ve daha büyük veri setlerine geçmeden önce her şeyin beklendiği gibi çalıştığından emin olmak için idealdir. Daha fazla ayrıntı için COCO8 YAML yapılandırmasına göz atabilirsin.

Link to this sectionCOCO8 Veri Kümesini Kullanarak Nasıl YOLO26 Modeli Eğitebilirim?#

COCO8 üzerinde Python veya CLI kullanarak bir YOLO26 modeli eğitebilirsin:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ek eğitim seçenekleri için YOLO Eğitim belgelerine başvur.

Link to this sectionCOCO8 Eğitimimi Yönetmek İçin Neden Ultralytics Platform Kullanmalıyım?#

Ultralytics Platform, COCO8 dahil olmak üzere YOLO modelleri için veri seti yönetimi, eğitim ve dağıtım süreçlerini kolaylaştırır. Bulut tabanlı eğitim, gerçek zamanlı izleme ve sezgisel veri seti işleme gibi özelliklerle HUB, tek tıkla deneyler başlatmanı sağlar ve manuel kurulum zorluklarını ortadan kaldırır. Ultralytics Platform hakkında ve bilgisayarlı görü projelerini nasıl hızlandırabileceği konusunda daha fazla bilgi edinebilirsin.

Link to this sectionCOCO8 Veri Kümesi ile Eğitimde Mozaik Artırmayı Kullanmanın Avantajları Nelerdir?#

COCO8 eğitiminde kullanılan mozaik artırma yöntemi, her bir yığın (batch) sırasında birden fazla görseli birleştirir. Bu, nesne ve arka plan çeşitliliğini artırarak YOLO modelinin yeni senaryolara karşı daha iyi genelleme yapmasına yardımcı olur. Mozaik artırma, her bir eğitim adımındaki bilgiyi maksimize ettiği için özellikle küçük veri setlerinde çok değerlidir. Bununla ilgili daha fazla bilgi için eğitim rehberine bakabilirsin.

Link to this sectionCOCO8 Veri Kümesi Üzerinde Eğitilen YOLO26 Modelimi Nasıl Doğrulayabilirim?#

COCO8 eğitiminden sonra YOLO26 modelini doğrulamak için Python veya CLI üzerinden modelin doğrulama komutlarını kullan. Bu, standart ölçütleri kullanarak modelinin performansını değerlendirir. Adım adım talimatlar için YOLO Doğrulama belgelerini ziyaret et.