COCO8 Veri Kümesi
Giriş
Ultralytics COCO8, COCO train 2017 setinin 4'ü eğitim ve 4'ü doğrulama için olmak üzere ilk 8 görüntüsünden oluşan küçük ama çok yönlü bir nesne alg ılama veri setidir. Bu veri kümesi, nesne algılama modellerini test etmek ve hata ayıklamak ya da yeni algılama yaklaşımlarını denemek için idealdir. 8 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak eğitim boru hatlarını hatalara karşı test etmek ve daha büyük veri kümelerini eğitmeden önce bir akıl sağlığı kontrolü görevi görecek kadar çeşitlidir.
İzle: Ultralytics COCO Veri Setine Genel Bakış
Bu veri seti Ultralytics HUB ile kullanılmak üzere tasarlanmıştır ve YOLO11.
Veri Kümesi YAML
Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO8 veri kümesi söz konusu olduğunda coco8.yaml
dosyası şu adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.
ultralytics/cfg/datasets/coco8.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8 ← 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: ../datasets/coco8 # 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)
# 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.zip
Kullanım
Bir YOLO11n modelini COCO8 veri kümesinde 640 görüntü boyutuyla 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.
Tren Örneği
Örnek Görüntüler ve Açıklamalar
COCO8 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen ek açıklamalar aşağıda verilmiştir:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında kullanılan ve her bir eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.
Bu örnek, COCO8 veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.
Atıflar ve Teşekkür
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}
}
Bilgisayarla görme topluluğu için bu değerli kaynağı yaratan ve sürdüren COCO Konsorsiyumu'na teşekkür ederiz. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edin.
SSS
Ultralytics COCO8 veri seti ne için kullanılır?
Ultralytics COCO8 veri kümesi, COCO train 2017 setindeki ilk 8 görüntüden oluşan kompakt ancak çok yönlü bir nesne algılama veri kümesidir; 4 görüntü eğitim ve 4 görüntü doğrulama içindir. Nesne algılama modellerini test etmek ve hata ayıklamak ve yeni algılama yaklaşımlarını denemek için tasarlanmıştır. Küçük boyutuna rağmen COCO8, daha büyük veri kümelerini dağıtmadan önce eğitim işlem hatlarınız için bir akıl sağlığı kontrolü görevi görecek kadar çeşitlilik sunar. Daha fazla ayrıntı için COCO8 veri setini görüntüleyin.
COCO8 veri setini kullanarak bir YOLO11 modelini nasıl eğitebilirim?
COCO8 veri setini kullanarak bir YOLO11 modelini eğitmek için Python veya CLI komutlarından birini kullanabilirsiniz. İşte nasıl başlayabileceğiniz:
Tren Örneği
Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
COCO8 eğitimimi yönetmek için neden Ultralytics HUB'ı kullanmalıyım?
Ultralytics HUB, COCO8 veri setindeki Ultralytics YOLO11 modelleri de dahil olmak üzere YOLO modellerinin eğitimini ve dağıtımını basitleştirmek için tasarlanmış hepsi bir arada bir web aracıdır. Bulut eğitimi, gerçek zamanlı izleme ve sorunsuz veri seti yönetimi sunar. HUB, tek bir tıklamayla eğitime başlamanızı sağlar ve manuel kurulumların karmaşıklığını ortadan kaldırır. Ultralytics HUB ve faydaları hakkında daha fazlasını keşfedin.
COCO8 veri seti ile eğitimde mozaik büyütme kullanmanın faydaları nelerdir?
COCO8 veri setinde gösterilen mozaik büyütme, eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştirir. Bu teknik, her eğitim grubundaki nesne ve sahne çeşitliliğini artırarak modelin farklı nesne boyutları, en boy oranları ve bağlamlar arasında genelleme yapma yeteneğini geliştirir. Bu da daha sağlam bir nesne algılama modeliyle sonuçlanır. Daha fazla ayrıntı için eğitim kılavuzuna bakın.
COCO8 veri kümesi üzerinde eğitilen YOLO11 modelimi nasıl doğrulayabilirim?
COCO8 veri kümesi üzerinde eğitilen YOLO11 modelinizin doğrulaması, modelin doğrulama komutları kullanılarak gerçekleştirilebilir. Modelin performansını kesin metrikler kullanarak değerlendirmek için CLI veya Python komut dosyası aracılığıyla doğrulama modunu çağırabilirsiniz. Ayrıntılı talimatlar için Doğrulama sayfasını ziyaret edin.