COCO8-Grayscale Veri Kümesi
Giriş
Ultralytics COCO8-Grayscale veri seti, COCO train 2017 setinden alınan ve gri tonlamalı formata dönüştürülen ilk 8 görüntüden (4'ü eğitim ve 4'ü doğrulama için) oluşan kompakt ancak güçlü bir nesne tespiti veri setidir. Bu veri seti, YOLO gri tonlamalı modelleri ve eğitim hatlarıyla hızlı test, hata ayıklama ve deneme için özel olarak tasarlanmıştır. Küçük boyutu, onu son derece yönetilebilir hale getirirken, çeşitliliği daha büyük veri setlerine ölçeklendirmeden önce etkili bir temel kontrol görevi görmesini sağlar.
İzle: Ultralytics YOLO26'yı Gri Tonlamalı Veri Kümelerinde Eğitme 🚀
COCO8-Grayscale, Ultralytics Platformu ve YOLO26 ile tamamen uyumludur ve bilgisayar görüşü iş akışlarınıza sorunsuz entegrasyon sağlar.
Veri Seti YAML
COCO8-Grayscale veri kümesi yapılandırması, veri kümesi yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML (Yet Another Markup Language) dosyasında tanımlanır. Resmi coco8-grayscale.yaml dosyası içinde Ultralytics GitHub deposunu.
Not
RGB görüntülerinizi gri tonlamalı olarak eğitmek için, basitçe şunu ekleyebilirsiniz: channels: 1 veri kümesi YAML dosyanıza. Bu, eğitim sırasında tüm görüntüleri gri tonlamalıya dönüştürerek, ayrı bir veri kümesi gerektirmeden gri tonlamalı avantajlarından yararlanmanızı sağlar.
ultralytics/cfg/datasets/coco8-grayscale.yaml
# 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 epok için bir YOLO26n modeli eğitmek üzere aşağıdaki örnekleri kullanın. Eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine bakın.
Eğitim Örneği
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)
# Train YOLO26n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo26n.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
Aşağıda COCO8-Gri tonlamalı veri kümesinden mozaiklenmiş bir eğitim partisi 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, her görüntünün eğitim sırasında değerini en üst düzeye çıkardığı için COCO8-Grayscale gibi küçük veri kümeleri için özellikle yararlıdır.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda COCO veri kümesini 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, bilgisayar görüsü topluluğuna sürekli katkılarından dolayı özel teşekkürler.
SSS
Ultralytics COCO8-Grayscale Veri Seti Ne İçin Kullanılır?
Ultralytics COCO8-Grayscale veri kümesi, nesne algılama modellerinin hızlı bir şekilde test edilmesi ve hatalarının ayıklanması için tasarlanmıştır. Sadece 8 görüntü (4 eğitim, 4 doğrulama için) ile YOLO eğitim hatlarınızı doğrulamak ve daha büyük veri kümelerine ölçeklemeden önce her şeyin beklendiği gibi çalıştığından emin olmak için idealdir. Daha fazla ayrıntı için COCO8-Grayscale YAML yapılandırmasını inceleyin.
COCO8-Grayscale Veri Kümesini Kullanarak Bir YOLO26 Modeli Nasıl Eğitilir?
COCO8-Grayscale üzerinde bir YOLO26 modelini Python veya CLI kullanarak eğitebilirsiniz:
Eğitim Örneği
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)
yolo detect train data=coco8-grayscale.yaml model=yolo26n.pt epochs=100 imgsz=640
Ek eğitim seçenekleri için YOLO Eğitim dokümanlarına bakın.
COCO8-Grayscale Eğitimimi Yönetmek İçin Neden Ultralytics Platformunu Kullanmalıyım?
Ultralytics Platformu, COCO8-Grayscale dahil olmak üzere YOLO modelleri için veri kümesi yönetimini, eğitimi ve dağıtımı kolaylaştırır. Bulut eğitimi, gerçek zamanlı izleme ve sezgisel veri kümesi işleme gibi özelliklerle HUB, tek tıklamayla deneyler başlatmanıza olanak tanır ve manuel kurulum zahmetlerini ortadan kaldırır. Ultralytics Platformu ve bilgisayar görüşü projelerinizi nasıl hızlandırabileceği hakkında daha fazla bilgi edinin.
COCO8-Grayscale Veri Kümesi ile Eğitimde Mozaik Artırmanın Faydaları Nelerdir?
COCO8-Grayscale eğitiminde kullanıldığı gibi mozaik artırma, her bir toplu işlem sırasında birden fazla görüntüyü tek bir görüntüde birleştirir. Bu, nesnelerin ve arka planların çeşitliliğini artırarak YOLO modelinizin yeni senaryolara daha iyi genellemesine yardımcı olur. Mozaik artırma, 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-Grayscale Veri Kümesi Üzerinde Eğitilmiş YOLO26 Modelimi Nasıl Doğrulayabilirim?
COCO8-Grayscale üzerinde eğitimden sonra YOLO26 modelinizi doğrulamak için modelin doğrulama komutlarını Python veya CLI'da kullanın. Bu, modelinizin performansını standart metrikler kullanarak değerlendirir. Adım adım talimatlar için YOLO Doğrulama belgelerini ziyaret edin.
