Link to this sectionCOCO8-Grayscale Veri Kümesi#

Link to this sectionGiriş#

Ultralytics COCO8-Grayscale veri seti, COCO train 2017 setindeki ilk 8 görüntüden oluşan ve gri tonlamalı formata dönüştürülmüş (4'ü eğitim, 4'ü doğrulama için) kompakt ama güçlü bir nesne algılama veri setidir. Bu veri seti, YOLO gri tonlamalı modelleri ve eğitim hatları ile hızlı test, hata ayıklama ve denemeler yapman için özel olarak tasarlanmıştır. Küçük boyutu onu oldukça yönetilebilir kılarken, çeşitliliği daha büyük veri setlerine geçmeden önce etkili bir kontrol mekanizması görevi görmesini sağlar.

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

Link to this sectionVeri Kümesi YAML#

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

Link to this sectionKullanım#

COCO8-Grayscale veri kümesi üzerinde bir YOLO26n modelini 100 epoch boyunca ve 640 görüntü boyutuyla eğitmek için aşağıdaki örnekleri kullan. Tüm eğitim seçeneklerinin tam listesi için YOLO Eğitim dokümantasyonuna 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)

Link to this sectionÖrnek 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.

Link to this sectionAlıntılar 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}
}

Special thanks to the COCO Consortium for their ongoing contributions to the computer vision community.

Link to this sectionSSS#

Link to this sectionUltralytics COCO8-Grayscale Veri Kümesi Ne İçin Kullanılır?#

Ultralytics COCO8-Grayscale veri seti, nesne algılama modellerinin hızlı testi ve hata ayıklaması için tasarlanmıştır. Yalnızca 8 görüntüyle (4'ü eğitim, 4'ü doğrulama), YOLO eğitim hatlarını doğrulamak ve daha büyük veri setlerine ölçeklendirmeden önce her şeyin beklendiğin gibi çalıştığından emin olmak için idealdir. Daha fazla ayrıntı için COCO8-Grayscale YAML yapılandırmasını inceleyebilirsin.

Link to this sectionCOCO8-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 Eğitim belgelerine başvur.

Link to this sectionCOCO8-Grayscale Eğitimimi Yönetmek İçin Neden Ultralytics Platform Kullanmalıyım?#

Ultralytics Platform, COCO8-Grayscale dahil olmak üzere YOLO modelleri için veri seti yönetimi, eğitimi ve dağıtımını kolaylaştırır. Bulut eğitimi, gerçek zamanlı izleme ve sezgisel veri seti kullanımı gibi özelliklerle HUB, tek bir tıklamayla denemeler başlatmanı sağlar ve manuel kurulum zorluklarını ortadan kaldırır. Ultralytics Platform hakkında daha fazla bilgi edin ve bilgisayarlı görü projelerini nasıl hızlandırabileceğini keşfet.

Link to this sectionCOCO8-Grayscale Veri Kümesi ile Eğitimde Mozaik Veri Artırmanın Faydaları Nelerdir?#

COCO8-Grayscale eğitiminde kullanılan Mosaic veri artırma, her partide birden fazla görüntüyü birleştirir. Bu, nesne ve arka plan çeşitliliğini artırarak YOLO modelinin yeni senaryolara daha iyi genelleme yapmasına yardımcı olur. Mosaic veri artırma, her eğitim adımında mevcut bilgiyi maksimize ettiği için küçük veri setleri için özellikle değerlidir. Bununla ilgili daha fazla bilgi için eğitim kılavuzuna göz at.

Link to this sectionCOCO8-Grayscale Veri Kümesi Üzerinde Eğittiğim YOLO26 Modelimi Nasıl Doğrulayabilirim?#

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