COCO8 Veri Seti

Giriş

Ultralytics COCO8 veri seti, COCO train 2017 setinden alınan ilk 8 görselden (4 eğitim ve 4 doğrulama için) oluşan, küçük ancak güçlü bir nesne algılama veri setidir. Bu veri seti, YOLO modelleri ve eğitim süreçleriyle hızlı test, hata ayıklama ve denemeler yapmak için özel olarak tasarlanmıştır. Küçük boyutu yönetilmesini son derece kolaylaştırırken, çeşitliliği sayesinde daha büyük veri setlerine geçmeden önce etkili bir temel doğrulama sağlar.

COCO8, Ultralytics Platform ve YOLO26 ile tam uyumludur ve bilgisayarlı görü iş akışlarına sorunsuz bir şekilde entegre olmanı sağlar.

Veri Kümesi YAML Dosyası

COCO8 veri seti yapılandırması, veri seti yollarını, sınıf isimlerini ve diğer temel meta verileri belirten bir YAML (Yet Another Markup Language) dosyasında tanımlanmıştır. Resmi 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

Kullanım

Bir YOLO26n modelini COCO8 veri setinde 100 epoch boyunca 640 görsel boyutu ile eğitmek için aşağıdaki örnekleri kullan. Eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine bak.

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)

Örnek Görüntüler ve Ek Açıklamalar

Aşağıda COCO8 veri setinden alınan mozaiklenmiş bir eğitim grubu örneği yer almaktadır:

• Mozaiklenmiş Görsel: Bu görsel, birden fazla veri seti görüntüsünün mozaik veri artırımı kullanılarak birleştirildiği bir eğitim grubunu göstermektedir. Mozaik veri artırımı, her gruptaki nesne ve sahne çeşitliliğini artırarak modelin farklı nesne boyutlarına, en-boy oranlarına ve arka planlara daha iyi uyum sağlamasına yardımcı olur.

Bu teknik, COCO8 gibi küçük veri setleri için özellikle faydalıdır çünkü eğitim sırasında her bir görselin sağladığı değeri maksimize eder.

Alıntılar ve Teşekkür

Eğer COCO veri setini araştırmalarında veya geliştirmelerinde 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.

SSS

Ultralytics COCO8 Veri Seti Ne İçin Kullanılır?

Ultralytics COCO8 veri seti, nesne algılama modellerinin hızlı testi ve hata ayıklaması için tasarlanmıştır. Sadece 8 görsel ile (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 yapılandırmasını incele.

COCO8 Veri Setini Kullanarak Nasıl YOLO26 Modeli Eğitebilirim?

COCO8 üzerinde bir YOLO26 modelini Python veya CLI kullanarak 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 bak.

COCO8 Eğitimimi Yönetmek İçin Neden Ultralytics Platform Kullanmalıyım?

Ultralytics Platform, COCO8 dahil olmak üzere YOLO modelleri için veri seti yönetimini, eğitimini ve dağıtımını kolaylaştırır. Bulut eğitimi, gerçek zamanlı izleme ve sezgisel veri seti işleme gibi özelliklerle HUB, tek tıkla deneyler başlatmanı sağlar ve manuel kurulum zorluklarını ortadan kaldırır. Ultralytics Platform ve bilgisayarlı görü projelerini nasıl hızlandırabileceği hakkında daha fazla bilgi edin.

COCO8 Veri Seti ile Eğitimde Mozaik Veri Artırımı Kullanmanın Faydaları Nelerdir?

COCO8 eğitiminde kullanılan mozaik veri artırımı, her grupta birden fazla görseli tek bir görselde birleştirir. Bu, nesne ve arka plan çeşitliliğini artırarak YOLO modelinin yeni senaryolara daha iyi uyum sağlamasına yardımcı olur. Mozaik veri artırımı, her eğitim adımındaki mevcut bilgiyi maksimize ettiği için özellikle küçük veri setlerinde çok değerlidir. Bununla ilgili daha fazlası için eğitim rehberine bak.

COCO8 Veri Setinde Eğittiğim YOLO26 Modelimi Nasıl Doğrulayabilirim?

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