COCO8-Grayscale Veri Kümesi#

Giriş#

Ultralytics COCO8-Grayscale veri seti, COCO train 2017 setindeki ilk 8 görselden oluşan ve gri tonlamalı formata dönüştürülen—4'ü eğitim ve 4'ü doğrulama için—kompakt ancak güçlü bir nesne tespiti veri setidir. Bu veri seti, YOLO gri tonlamalı modelleri ve eğitim boru hatlarıyla hızlı test, hata ayıklama ve deneme yapma amacıyla özel olarak tasarlanmıştır. Küçük boyutu onu son derece yönetilebilir klar ve çeşitliliği, daha büyük veri setlerine ölçeklemeden önce etkili bir mantık kontrolü (sanity check) görevi görmesini sağlar.

Veri Kümesi Yapısı#

COCO8-Grayscale, COCO train 2017 setinden ilk 8 resmi içeren ve 80 COCO nesne sınıfının tümü genelinde 4'ü eğitim ve 4'ü doğrulama için ayrılan COCO8 veri setini yansıtır; ancak her görüntü, tek kanallı (channels: 1) bir gri tonlamalı görüntü olarak YOLO label format formatında saklanır:

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Her görseli ek açıklamalı kaplamalarıyla incelemek, Grafikler sekmesinde sınıf dağılımını ve sınırlayıcı kutu ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek üzere klonlamak için Ultralytics Platform üzerindeki COCO8-Grayscale seçeneğini keşfet.

Veri Kümesi YAML#

COCO8-Grayscale veri seti yapılandırması, veri seti yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML dosyasında tanımlanır. Resmi coco8-grayscale.yaml dosyasını Ultralytics GitHub deposunda inceleyebilirsin.

# 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#

COCO8-Grayscale veri seti (1 MB), eğitimi ilk başlattığında otomatik olarak indirilir. 640 görsel boyutuyla 100 dönem (epoch) boyunca COCO8-Grayscale üzerinde bir YOLO26n modelini 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-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda COCO8-Grayscale 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-Grayscale gibi küçük veri kümeleri için özellikle kullanışlıdır çünkü eğitim sırasında her görüntünün değerini en üst düzeye çıkarır.

Alıntılar 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}
}

computer vision topluluğuna devam eden katkılarından dolayı COCO Consortium kuruluşuna özel olarak teşekkür ederiz.

SSS#

Ultralytics COCO8-Grayscale Veri Kümesi Ne İçin Kullanılır?#

Ultralytics COCO8-Grayscale veri seti, nesne tespiti modellerinin hızlı testi ve hata ayıklaması için tasarlanmıştır. Yalnızca 8 görselle (4'ü eğitim, 4'ü doğrulama için) YOLO eğitim boru hatlarını doğrulamak ve daha büyük veri setlerine ölçeklemeden önce her şeyin beklendiği gibi çalıştığından emin olmak için idealdir. Daha fazla detay için COCO8-Grayscale YAML yapılandırmasını incele.

COCO8-Grayscale Veri Kümesini Kullanarak Nasıl YOLO26 Modeli Eğitebilirim?#

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

Ek eğitim seçenekleri için YOLO Training documentation kılavuzuna başvurun.

COCO8-Grayscale Veri Kümesi ile Eğitimde Mozaik Veri Artırmanın Faydaları Nelerdir?#

COCO8-Grayscale eğitiminde kullanılan mozaik artırma (Mosaic augmentation), her birim grupta (batch) birden fazla görseli tek bir görselde birleştirir. Bu, nesnelerin ve arka planların çeşitliliğini artırarak YOLO modelinin yeni senaryolara daha iyi genelleme yapmasına yardımcı olur. Mozaik artırma, her eğitim adımında mevcut olan bilgiyi maksimize ettiği için özellikle küçük veri setleri için oldukça değerlidir. Bununla ilgili daha fazla bilgi için eğitim kılavuzuna bak.

COCO8-Grayscale Veri Kümesi Üzerinde Eğittiğim YOLO26 Modelimi Nasıl Doğrulayabilirim?#

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