COCO8-Grayscale Veri Kümesi

Giriş

Ultralytics COCO8-Grayscale veri kümesi, COCO train 2017 setindeki ilk 8 görselden oluşan ve gri tonlamalı formata dönüştürülmüş (4'ü eğitim, 4'ü doğrulama için) kompakt ancak güçlü bir nesne algılama veri kümesidir. Bu veri kümesi, YOLO gri tonlamalı modelleri ve eğitim hatları ile hızlı test, hata ayıklama ve denemeler yapmak için özel olarak tasarlanmıştır. Küçük boyutu yönetilebilirliğini artırırken, çeşitliliği daha büyük veri kümelerine geçmeden önce etkili bir sağlamlık kontrolü işlevi görmesini sağlar.

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

Veri Kümesi YAML Dosyası

COCO8-Grayscale veri kümesi yapılandırması, veri kümesi yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML (Yet Another Markup Language) dosyasında tanımlanmıştır. 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 kümesi üzerinde 640 görüntü boyutuyla 100 dönem (epoch) boyunca bir YOLO26n modeli 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-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 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, eğitim sırasında her görüntünün değerini en üst düzeye çıkardığı için COCO8-Grayscale gibi küçük veri kümeleri için özellikle yararlıdır.

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-Grayscale Veri Kümesi Ne İçin Kullanılır?

Ultralytics COCO8-Grayscale veri kümesi, nesne algılama modellerinin hızlı testi ve hata ayıklaması için tasarlanmıştır. Sadece 8 görüntü (4'ü eğitim, 4'ü doğrulama için) ile YOLO eğitim hatlarını doğrulamak ve daha büyük veri kümelerine geçmeden önce her şeyin beklendiği gibi çalıştığından emin olmak için idealdir. Daha fazla ayrıntı için COCO8-Grayscale YAML yapılandırmasını keşfet.

COCO8-Grayscale Veri Kümesini Kullanarak Nasıl YOLO26 Modeli Eğitirim?

Python veya CLI kullanarak COCO8-Grayscale üzerinde bir YOLO26 modeli 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 Eğitim belgelerine bak.

COCO8-Grayscale Eğitimimi Yönetmek İçin Neden Ultralytics Platform Kullanmalıyım?

Ultralytics Platform, COCO8-Grayscale dahil olmak üzere YOLO modelleri için veri kümesi yönetimini, eğitimi ve dağıtımı kolaylaştırır. Bulut tabanlı eğitim, gerçek zamanlı izleme ve sezgisel veri kümesi kullanımı gibi özelliklerle HUB, denemelerini tek tıkla başlatmanı sağlar ve manuel kurulum zahmetini ortadan kaldırır. Ultralytics Platform hakkında daha fazla bilgi edin ve bilgisayarlı görü projelerini nasıl hızlandırabileceğini öğren.

COCO8-Grayscale Veri Kümesi ile Eğitimde Mozaik Veri Çoğaltma Kullanmanın Faydaları Nelerdir?

COCO8-Grayscale eğitiminde kullanılan mozaik veri çoğaltma, her grupta birden fazla görüntüyü birleştirir. Bu, nesnelerin ve arka planların çeşitliliğini artırarak YOLO modelinin yeni senaryolara daha iyi uyum sağlamasına yardımcı olur. Mozaik veri çoğaltma, her eğitim adımında mevcut olan bilgiyi en üst düzeye çıkardığı için küçük veri kümeleri için özellikle değerlidir. Bunun hakkında daha fazla bilgi için eğitim kılavuzuna göz at.

COCO8-Grayscale Veri Kümesinde Eğitilen YOLO26 Modelimi Nasıl Doğrularım?

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