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

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

COCO8 veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen ek açıklamalar aşağıda verilmiştir:

Veri kümesi örnek görüntüsü

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:

BibTeX

@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

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

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.

📅1 yıl önce oluşturuldu ✏️ 2 ay önce güncellendi