COCO8 Veri Seti

Giriş

Bu Ultralytics COCO8 Tonlama veri seti, COCO train 2017 setindeki ilk 8 görüntüden oluşan ve eğitim için 4 ve doğrulama için 4 gri tonlama formatına dönüştürülmüş kompakt ancak güçlü bir nesne algılama veri setidir. Bu veri seti özellikle hızlı test, hata ayıklama ve deneyler için tasarlanmıştır. YOLO gri tonlama modelleri ve eğitim boru hatları. Küçük boyutu onu son derece yönetilebilir kılarken, çeşitliliği daha büyük veri kümelerine ölçeklenmeden önce etkili bir akıl sağlığı kontrolü işlevi görmesini sağlar.

İzle: Ultralytics YOLO11'i Gri Tonlamalı Veri Kümelerinde Eğitme 🚀

COCO8, Ultralytics HUB ile tamamen uyumludur ve YOLO11bilgisayarla görme iş akışlarınıza sorunsuz entegrasyon sağlar.

Veri Seti YAML

COCO8 veri seti yapılandırması, veri seti yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML (Yet Another Markup Language) dosyasında tanımlanmıştır. Resmi dosyayı inceleyebilirsiniz coco8-grayscale.yaml dosyası içinde Ultralytics GitHub deposunu.

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

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale ← 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-grayscale # 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)

channels: 1

# 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-grayscale.zip

Kullanım

Bir YOLO11n modelini COCO8 veri kümesinde 640 görüntü boyutuyla 100 epok için eğitmek için aşağıdaki örnekleri kullanın. Eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine bakın.

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

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

# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

Aşağıda COCO8 veri kümesinden mozaiklenmiş bir eğitim yığını örneği yer almaktadır:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaik artırma kullanılarak birden çok veri kümesi görüntüsünün birleştirildiği bir eğitim grubunu göstermektedir. Mozaik artırma, her gruptaki nesnelerin ve sahnelerin çeşitliliğini artırarak modelin çeşitli nesne boyutlarına, en boy oranlarına ve arka planlara daha iyi genellemesine yardımcı olur.

Bu teknik, eğitim sırasında her görüntünün değerini en üst düzeye çıkardığı için özellikle COCO8 gibi küçük veri kümeleri için kullanışlıdır.

Alıntılar ve Teşekkürler

Araştırma veya geliştirme çalışmalarınızda COCO veri setini 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}
}

COCO Konsorsiyumu 'na bilgisayarla görme topluluğuna devam eden katkıları için özel olarak teşekkür ederiz.

SSS

Ultralytics COCO8 Veri Seti Ne İçin Kullanılır?

Ultralytics COCO8 veri seti, nesne algılama modellerinin hızlı bir şekilde test edilmesi ve hata ayıklanması için tasarlanmıştır. Yalnızca 8 görüntü (4'ü eğitim, 4'ü doğrulama için) ile YOLO eğitim ardışık düzenleri ve daha büyük veri kümelerine ölçeklendirmeden önce her şeyin beklendiği gibi çalıştığından emin olun. Daha fazla ayrıntı için COCO8 YAML yapılandırmasını keşfedin.

COCO8 Veri Setini Kullanarak Bir YOLO11 Modelini Nasıl Eğitebilirim?

Python veya CLI kullanarak COCO8 üzerinde bir YOLO11 modeli eğitebilirsiniz:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

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

yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640

Ek eğitim seçenekleri için YOLO Eğitim dokümanlarına bakın.

COCO8 Eğitimimi Yönetmek İçin Neden Ultralytics HUB Kullanmalıyım?

Ultralytics HUB, aşağıdakiler için veri kümesi yönetimini, eğitimi ve dağıtımı kolaylaştırır YOLOCOCO8 dahil olmak üzere modeller. Bulut eğitimi, gerçek zamanlı izleme ve sezgisel veri kümesi işleme gibi özelliklerle HUB, deneyleri tek bir tıklamayla başlatmanızı sağlar ve manuel kurulum zorluklarını ortadan kaldırır. Ultralytics HUB hakkında daha fazla bilgi edinin ve bilgisayarla görme projelerinizi nasıl hızlandırabileceğini öğrenin.

COCO8 Veri Seti ile Eğitimde Mozaik Büyütme Kullanmanın Faydaları Nelerdir?

COCO8 eğitiminde kullanılan mozaik büyütme, her bir toplu iş sırasında birden fazla görüntüyü tek bir görüntüde birleştirir. Bu, nesnelerin ve arka planların çeşitliliğini artırarak YOLO modelin yeni senaryolara daha iyi genelleme yapmasını sağlar. Mozaik büyütme, her eğitim adımında mevcut bilgileri en üst düzeye çıkardığı için özellikle küçük veri kümeleri için değerlidir. Bu konuda daha fazla bilgi için eğitim kılavuzuna bakın.

COCO8 Veri Kümesi Üzerinde Eğitilmiş YOLO11 Modelimi Nasıl Doğrulayabilirim?

COCO8 üzerinde eğitim aldıktan sonra YOLO11 modelinizi doğrulamak için Python veya CLI'da modelin doğrulama komutlarını kullanın. Bu, modelinizin performansını standart metrikler kullanarak değerlendirir. Adım adım talimatlar için YOLO Validation belgelerini ziyaret edin.

📅 6 ay önce oluşturuldu ✏️ 3 ay önce güncellendi

Yorumlar