Open Images V7 Veri Kümesi#
Open Images V7, Google tarafından oluşturulmuş büyük ölçekli bir nesne tespiti veri kümesidir. Ultralytics yapılandırmasında 601 nesne sınıfını kapsayan 1.743.042 eğitim ve 41.620 doğrulama görüntüsü bulunur. Kaynak sürüm; görüntü düzeyinde etiketler, sınırlayıcı kutular, segmentasyon maskeleri, görsel ilişkiler ve yerelleştirilmiş anlatılarla etiketlenmiş yaklaşık 9 milyon görüntü içerir. Bu özellikleriyle bilgisayarlı görü alanındaki en kapsamlı etiketleme kaynaklarından biridir.
İzle: Open Images V7 Önceden Eğitilmiş Modeliyle Nesne Algılama
Open Images V7 ile Önceden Eğitilmiş Modeller#
Ultralytics, Open Images V7 üzerinde önceden eğitilmiş beş YOLOv8 modeli yayımlar; böylece veri kümesini indirmeden 601 sınıfı tespit edebilirsin:
| Model | boyut (piksel) | mAPval 50-95 | Hız CPU ONNX (ms) | Hız A100 TensorRT (ms) | parametre (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLOv8n | 640 | 18.4 | 142.4 | 1.21 | 3.5 | 10.4 |
| YOLOv8s | 640 | 27.7 | 183.1 | 1.40 | 11.4 | 29.7 |
| YOLOv8m | 640 | 33.6 | 408.5 | 2.26 | 26.2 | 80.6 |
| YOLOv8l | 640 | 34.9 | 596.9 | 2.43 | 44.1 | 167.4 |
| YOLOv8x | 640 | 36.3 | 860.6 | 3.56 | 68.7 | 260.6 |
Aşağıdaki görselleştirme, bu modellerin tespit edebildiği nesne sınıflarının çeşitliliğini gösterir:
Tahmin çalıştırabilir veya aşağıdaki gibi bu kontrol noktalarından ince ayara başlayabilirsin.
from ultralytics import YOLO
# Open Images V7 ile önceden eğitilmiş bir YOLOv8n modelini yükle
model = YOLO("yolov8n-oiv7.pt")
# Tahmin çalıştır
results = model.predict(source="image.jpg")
# Önceden eğitilmiş kontrol noktasından eğitime başla
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Temel Özellikler#
- Open Images V7, birden fazla bilgisayarlı görü görevi için etiketlenmiş yaklaşık 9 milyon görüntü içerir ve görüntü başına ortalama 8,3 nesne bulunur.
- 1,9 milyon görüntüdeki 16 milyon sınırlayıcı kutunun yaklaşık %90'ı profesyonel etiketleyiciler tarafından elle çizilmiştir; bu da yüksek kesinlik sağlar.
- Etiketler kutularla sınırlı değildir: 1.466 üçlü ilişkiyi kapsayan 3,3 milyon görsel ilişki etiketi, 350 sınıfta 2,8 milyon nesne için segmentasyon maskeleri (V5'te eklendi), 675 bin yerelleştirilmiş anlatı (V6) ve 5.827 sınıfa yayılan 1,4 milyon görüntü üzerinde 66,4 milyon nokta düzeyinde etiket (V7) bulunur.
- 20.638 sınıfta 61,4 milyon görüntü düzeyinde etiket bulunması, veri kümesini tespitin yanı sıra görüntü sınıflandırma ve çok modlu araştırmalar için de uygun hâle getirir; ayrıca örnek segmentasyonunu destekler.
Veri Kümesi Yapısı#
Ultralytics open-images-v7.yaml yapılandırması, Open Images V7'nin tespit alt kümesini indirir:
| Bölüm | Görüntüler | Açıklama |
|---|---|---|
| Eğit | 1,743,042 | Model eğitimi için kutularla etiketlenmiş görüntüler |
| Doğrulama | 41,620 | Değerlendirme ve karşılaştırmalı analiz için ayrılmış görüntüler |
Yapılandırma, Accordion ile Zucchini arasında dizinlenmiş 601 nesne sınıfı tanımlar. Google'ın belgeleri bu sayıyı aşağı yuvarlayarak 600 olarak verir; ancak hem resmî kutulanabilir sınıf listesi hem de Ultralytics YAML dosyası 601 girdi içerir. Yapılandırmadaki test: anahtarı boş bırakılmıştır.
Uygulamalar#
Open Images V7, bilgisayarlı görüde çeşitli görevlerde model eğitimi ve değerlendirmesini destekler:
- Geniş söz varlığına sahip nesne tespiti: 601 sınıf sayesinde Open Images V7 üzerinde eğitilen dedektörler, COCO üzerinde eğitilen dedektörlerden çok daha fazla kategoriyi tanır.
- Görsel ilişki tespiti: 3,3 milyon ilişki etiketi, nesneler arasındaki etkileşimleri anlayan modelleri destekler.
- Örnek segmentasyonu: 2,8 milyon nesne için sağlanan maskeler, sahnelerin piksel düzeyinde analiz edilmesini sağlar.
- Çok modlu öğrenme: Ses, metin ve fare izlerini birleştiren yerelleştirilmiş anlatılar, görsel verileri zengin açıklamalarla eşleştirir.
- Sıfır örnekli değerlendirme: Geniş sınıf kapsamı, modellerin eğitim sırasında görmediği nesneleri nasıl işlediğini değerlendirmeye yardımcı olur.
Kendi görüntülerini etiketlemek, eğitim yapmak ve büyük ölçekli veri kümelerini tarayıcında yönetmek için tüm iş akışını Ultralytics Platform ile yürüt.
Veri Kümesi YAML Dosyası#
open-images-v7.yaml dosyası, veri kümesi yollarını, sınıf adlarını ve diğer meta verileri içeren veri kümesi yapılandırmasını tanımlar. Dosya, Ultralytics deposunda https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/open-images-v7.yaml adresinde tutulur.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Open Images v7 dataset https://storage.googleapis.com/openimages/web/index.html by Google
# Documentation: https://docs.ultralytics.com/datasets/detect/open-images-v7
# Example usage: yolo train data=open-images-v7.yaml
# parent
# ├── ultralytics
# └── datasets
# └── open-images-v7 ← downloads here (561 GB)
# 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: open-images-v7 # dataset root dir
train: images/train # train images (relative to 'path') 1743042 images
val: images/val # val images (relative to 'path') 41620 images
test: # test images (optional)
# Classes
names:
0: Accordion
1: Adhesive tape
2: Aircraft
3: Airplane
4: Alarm clock
5: Alpaca
6: Ambulance
7: Animal
8: Ant
9: Antelope
10: Apple
11: Armadillo
12: Artichoke
13: Auto part
14: Axe
15: Backpack
16: Bagel
17: Baked goods
18: Balance beam
19: Ball
20: Balloon
21: Banana
22: Band-aid
23: Banjo
24: Barge
25: Barrel
26: Baseball bat
27: Baseball glove
28: Bat (Animal)
29: Bathroom accessory
30: Bathroom cabinet
31: Bathtub
32: Beaker
33: Bear
34: Bed
35: Bee
36: Beehive
37: Beer
38: Beetle
39: Bell pepper
40: Belt
41: Bench
42: Bicycle
43: Bicycle helmet
44: Bicycle wheel
45: Bidet
46: Billboard
47: Billiard table
48: Binoculars
49: Bird
50: Blender
51: Blue jay
52: Boat
53: Bomb
54: Book
55: Bookcase
56: Boot
57: Bottle
58: Bottle opener
59: Bow and arrow
60: Bowl
61: Bowling equipment
62: Box
63: Boy
64: Brassiere
65: Bread
66: Briefcase
67: Broccoli
68: Bronze sculpture
69: Brown bear
70: Building
71: Bull
72: Burrito
73: Bus
74: Bust
75: Butterfly
76: Cabbage
77: Cabinetry
78: Cake
79: Cake stand
80: Calculator
81: Camel
82: Camera
83: Can opener
84: Canary
85: Candle
86: Candy
87: Cannon
88: Canoe
89: Cantaloupe
90: Car
91: Carnivore
92: Carrot
93: Cart
94: Cassette deck
95: Castle
96: Cat
97: Cat furniture
98: Caterpillar
99: Cattle
100: Ceiling fan
101: Cello
102: Centipede
103: Chainsaw
104: Chair
105: Cheese
106: Cheetah
107: Chest of drawers
108: Chicken
109: Chime
110: Chisel
111: Chopsticks
112: Christmas tree
113: Clock
114: Closet
115: Clothing
116: Coat
117: Cocktail
118: Cocktail shaker
119: Coconut
120: Coffee
121: Coffee cup
122: Coffee table
123: Coffeemaker
124: Coin
125: Common fig
126: Common sunflower
127: Computer keyboard
128: Computer monitor
129: Computer mouse
130: Container
131: Convenience store
132: Cookie
133: Cooking spray
134: Corded phone
135: Cosmetics
136: Couch
137: Countertop
138: Cowboy hat
139: Crab
140: Cream
141: Cricket ball
142: Crocodile
143: Croissant
144: Crown
145: Crutch
146: Cucumber
147: Cupboard
148: Curtain
149: Cutting board
150: Dagger
151: Dairy Product
152: Deer
153: Desk
154: Dessert
155: Diaper
156: Dice
157: Digital clock
158: Dinosaur
159: Dishwasher
160: Dog
161: Dog bed
162: Doll
163: Dolphin
164: Door
165: Door handle
166: Donut
167: Dragonfly
168: Drawer
169: Dress
170: Drill (Tool)
171: Drink
172: Drinking straw
173: Drum
174: Duck
175: Dumbbell
176: Eagle
177: Earrings
178: Egg (Food)
179: Elephant
180: Envelope
181: Eraser
182: Face powder
183: Facial tissue holder
184: Falcon
185: Fashion accessory
186: Fast food
187: Fax
188: Fedora
189: Filing cabinet
190: Fire hydrant
191: Fireplace
192: Fish
193: Flag
194: Flashlight
195: Flower
196: Flowerpot
197: Flute
198: Flying disc
199: Food
200: Food processor
201: Football
202: Football helmet
203: Footwear
204: Fork
205: Fountain
206: Fox
207: French fries
208: French horn
209: Frog
210: Fruit
211: Frying pan
212: Furniture
213: Garden Asparagus
214: Gas stove
215: Giraffe
216: Girl
217: Glasses
218: Glove
219: Goat
220: Goggles
221: Goldfish
222: Golf ball
223: Golf cart
224: Gondola
225: Goose
226: Grape
227: Grapefruit
228: Grinder
229: Guacamole
230: Guitar
231: Hair dryer
232: Hair spray
233: Hamburger
234: Hammer
235: Hamster
236: Hand dryer
237: Handbag
238: Handgun
239: Harbor seal
240: Harmonica
241: Harp
242: Harpsichord
243: Hat
244: Headphones
245: Heater
246: Hedgehog
247: Helicopter
248: Helmet
249: High heels
250: Hiking equipment
251: Hippopotamus
252: Home appliance
253: Honeycomb
254: Horizontal bar
255: Horse
256: Hot dog
257: House
258: Houseplant
259: Human arm
260: Human beard
261: Human body
262: Human ear
263: Human eye
264: Human face
265: Human foot
266: Human hair
267: Human hand
268: Human head
269: Human leg
270: Human mouth
271: Human nose
272: Humidifier
273: Ice cream
274: Indoor rower
275: Infant bed
276: Insect
277: Invertebrate
278: Ipod
279: Isopod
280: Jacket
281: Jacuzzi
282: Jaguar (Animal)
283: Jeans
284: Jellyfish
285: Jet ski
286: Jug
287: Juice
288: Kangaroo
289: Kettle
290: Kitchen & dining room table
291: Kitchen appliance
292: Kitchen knife
293: Kitchen utensil
294: Kitchenware
295: Kite
296: Knife
297: Koala
298: Ladder
299: Ladle
300: Ladybug
301: Lamp
302: Land vehicle
303: Lantern
304: Laptop
305: Lavender (Plant)
306: Lemon
307: Leopard
308: Light bulb
309: Light switch
310: Lighthouse
311: Lily
312: Limousine
313: Lion
314: Lipstick
315: Lizard
316: Lobster
317: Loveseat
318: Luggage and bags
319: Lynx
320: Magpie
321: Mammal
322: Man
323: Mango
324: Maple
325: Maracas
326: Marine invertebrates
327: Marine mammal
328: Measuring cup
329: Mechanical fan
330: Medical equipment
331: Microphone
332: Microwave oven
333: Milk
334: Miniskirt
335: Mirror
336: Missile
337: Mixer
338: Mixing bowl
339: Mobile phone
340: Monkey
341: Moths and butterflies
342: Motorcycle
343: Mouse
344: Muffin
345: Mug
346: Mule
347: Mushroom
348: Musical instrument
349: Musical keyboard
350: Nail (Construction)
351: Necklace
352: Nightstand
353: Oboe
354: Office building
355: Office supplies
356: Orange
357: Organ (Musical Instrument)
358: Ostrich
359: Otter
360: Oven
361: Owl
362: Oyster
363: Paddle
364: Palm tree
365: Pancake
366: Panda
367: Paper cutter
368: Paper towel
369: Parachute
370: Parking meter
371: Parrot
372: Pasta
373: Pastry
374: Peach
375: Pear
376: Pen
377: Pencil case
378: Pencil sharpener
379: Penguin
380: Perfume
381: Person
382: Personal care
383: Personal flotation device
384: Piano
385: Picnic basket
386: Picture frame
387: Pig
388: Pillow
389: Pineapple
390: Pitcher (Container)
391: Pizza
392: Pizza cutter
393: Plant
394: Plastic bag
395: Plate
396: Platter
397: Plumbing fixture
398: Polar bear
399: Pomegranate
400: Popcorn
401: Porch
402: Porcupine
403: Poster
404: Potato
405: Power plugs and sockets
406: Pressure cooker
407: Pretzel
408: Printer
409: Pumpkin
410: Punching bag
411: Rabbit
412: Raccoon
413: Racket
414: Radish
415: Ratchet (Device)
416: Raven
417: Rays and skates
418: Red panda
419: Refrigerator
420: Remote control
421: Reptile
422: Rhinoceros
423: Rifle
424: Ring binder
425: Rocket
426: Roller skates
427: Rose
428: Rugby ball
429: Ruler
430: Salad
431: Salt and pepper shakers
432: Sandal
433: Sandwich
434: Saucer
435: Saxophone
436: Scale
437: Scarf
438: Scissors
439: Scoreboard
440: Scorpion
441: Screwdriver
442: Sculpture
443: Sea lion
444: Sea turtle
445: Seafood
446: Seahorse
447: Seat belt
448: Segway
449: Serving tray
450: Sewing machine
451: Shark
452: Sheep
453: Shelf
454: Shellfish
455: Shirt
456: Shorts
457: Shotgun
458: Shower
459: Shrimp
460: Sink
461: Skateboard
462: Ski
463: Skirt
464: Skull
465: Skunk
466: Skyscraper
467: Slow cooker
468: Snack
469: Snail
470: Snake
471: Snowboard
472: Snowman
473: Snowmobile
474: Snowplow
475: Soap dispenser
476: Sock
477: Sofa bed
478: Sombrero
479: Sparrow
480: Spatula
481: Spice rack
482: Spider
483: Spoon
484: Sports equipment
485: Sports uniform
486: Squash (Plant)
487: Squid
488: Squirrel
489: Stairs
490: Stapler
491: Starfish
492: Stationary bicycle
493: Stethoscope
494: Stool
495: Stop sign
496: Strawberry
497: Street light
498: Stretcher
499: Studio couch
500: Submarine
501: Submarine sandwich
502: Suit
503: Suitcase
504: Sun hat
505: Sunglasses
506: Surfboard
507: Sushi
508: Swan
509: Swim cap
510: Swimming pool
511: Swimwear
512: Sword
513: Syringe
514: Table
515: Table tennis racket
516: Tablet computer
517: Tableware
518: Taco
519: Tank
520: Tap
521: Tart
522: Taxi
523: Tea
524: Teapot
525: Teddy bear
526: Telephone
527: Television
528: Tennis ball
529: Tennis racket
530: Tent
531: Tiara
532: Tick
533: Tie
534: Tiger
535: Tin can
536: Tire
537: Toaster
538: Toilet
539: Toilet paper
540: Tomato
541: Tool
542: Toothbrush
543: Torch
544: Tortoise
545: Towel
546: Tower
547: Toy
548: Traffic light
549: Traffic sign
550: Train
551: Training bench
552: Treadmill
553: Tree
554: Tree house
555: Tripod
556: Trombone
557: Trousers
558: Truck
559: Trumpet
560: Turkey
561: Turtle
562: Umbrella
563: Unicycle
564: Van
565: Vase
566: Vegetable
567: Vehicle
568: Vehicle registration plate
569: Violin
570: Volleyball (Ball)
571: Waffle
572: Waffle iron
573: Wall clock
574: Wardrobe
575: Washing machine
576: Waste container
577: Watch
578: Watercraft
579: Watermelon
580: Weapon
581: Whale
582: Wheel
583: Wheelchair
584: Whisk
585: Whiteboard
586: Willow
587: Window
588: Window blind
589: Wine
590: Wine glass
591: Wine rack
592: Winter melon
593: Wok
594: Woman
595: Wood-burning stove
596: Woodpecker
597: Worm
598: Wrench
599: Zebra
600: Zucchini
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
import warnings
from ultralytics.utils import LOGGER, SETTINGS, Path
from ultralytics.utils.checks import check_requirements
check_requirements("fiftyone")
import fiftyone as fo
import fiftyone.zoo as foz
name = "open-images-v7"
fo.config.dataset_zoo_dir = Path(SETTINGS["datasets_dir"]) / "fiftyone" / name
fraction = 1.0 # fraction of full dataset to use
LOGGER.warning("Open Images V7 dataset requires at least **561 GB of free space. Starting download...")
for split in "train", "validation": # 1743042 train, 41620 val images
train = split == "train"
# Load Open Images dataset
dataset = foz.load_zoo_dataset(
name,
split=split,
label_types=["detections"],
max_samples=round((1743042 if train else 41620) * fraction),
)
# Define classes
if train:
classes = dataset.default_classes # all classes
# classes = dataset.distinct('ground_truth.detections.label') # only observed classes
# Export to YOLO format
with warnings.catch_warnings():
warnings.filterwarnings("ignore", category=UserWarning, module="fiftyone.utils.yolo")
dataset.export(
export_dir=str(Path(SETTINGS["datasets_dir"]) / name),
dataset_type=fo.types.YOLOv5Dataset,
label_field="ground_truth",
split="val" if split == "validation" else split,
classes=classes,
overwrite=train,
)Kullanım#
Open Images V7 ilk kullanımda otomatik olarak indirilir ve 1.743.042 eğitim ile 41.620 doğrulama görüntüsü için yaklaşık 561 GB boş disk alanı gerektirir. İndirme betiği, görüntüleri almak için fiftyone paketini yükler ve etiketleri YOLO biçimine dönüştürür. Bu işlem, bağlantına ve donanımına bağlı olarak uzun sürebilir.
Open Images V7 veri kümesinde YOLO26n modelini 640 görüntü boyutuyla 100 epoch boyunca eğitmek için aşağıdaki kod örneklerini kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.
from ultralytics import YOLO
# COCO üzerinde önceden eğitilmiş bir YOLO26n modelini yükle
model = YOLO("yolo26n.pt")
# Modeli Open Images V7 veri kümesi üzerinde eğit
results = model.train(data="open-images-v7.yaml", epochs=100, imgsz=640)Örnek Görüntüler ve Ek Açıklamalar#
Aşağıdaki örnek, Open Images V7'nin tek bir görüntüye eklediği sınırlayıcı kutu, ilişki ve maske açıklamalarını gösteriyor:
Atıflar ve Teşekkürler#
Open Images V7 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:
@article{OpenImages,
author = {Alina Kuznetsova and Hassan Rom and Neil Alldrin and Jasper Uijlings and Ivan Krasin and Jordi Pont-Tuset and Shahab Kamali and Stefan Popov and Matteo Malloci and Alexander Kolesnikov and Tom Duerig and Vittorio Ferrari},
title = {The Open Images Dataset V4: Unified image classification, object detection, and visual relationship detection at scale},
year = {2020},
journal = {IJCV}
}Open Images V7 veri kümesini oluşturup sürdürdükleri için Google AI ekibine teşekkür ederiz. Veri kümesi hakkında daha fazla bilgi için resmî Open Images V7 web sitesini ziyaret et.
Sık Sorulan Sorular#
Open Images V7 veri kümesi, makine öğrenimi ve bilgisayarlı görü alanlarında nesne algılama modellerini eğitmek ve değerlendirmek için kullanılır. Ultralytics yapılandırması, 601 nesne sınıfında 1.743.042 eğitim ve 41.620 doğrulama görüntüsü sağlar. Kaynak sürümde ise daha geniş kapsamlı araştırmalar için segmentasyon maskeleri, görsel ilişkiler, konumlandırılmış anlatılar ve nokta düzeyinde etiketler de bulunur.
Ultralytics
open-images-v7.yamlyapılandırması, 601 nesne sınıfını 1.743.042 eğitim görüntüsü ve 41.620 doğrulama görüntüsüyle kapsar; test bölümü yoktur. Kaynak sürüm yaklaşık 9 milyon görüntü içerir. Google'ın belgeleri kutuyla etiketlenebilir sınıf sayısını 600'e yuvarlasa da resmî sınıf listesinde 601 giriş bulunur.Open Images V7, yaklaşık 561 GB boş disk alanı gerektirir ve
data="open-images-v7.yaml"ile ilk kez eğitim yaptığında otomatik olarak indirilir. İndirme betiğififtyonepaketini yükler ve açıklamaları YOLO biçimine dönüştürür. Daha küçük bir şey arıyorsan algılama veri kümeleri genel bakışına göz at.Open Images V7 veri kümesinde YOLO26 modelini eğitmek için hem Python hem de CLI komutlarını kullanabilirsin. Aşağıda YOLO26n modelini 640 görüntü boyutuyla 100 epoch boyunca eğitme örneği verilmiştir:
Eğitim Örneğifrom ultralytics import YOLO # COCO üzerinde önceden eğitilmiş bir YOLO26n modelini yükle model = YOLO("yolo26n.pt") # Modeli Open Images V7 veri kümesi üzerinde eğit results = model.train(data="open-images-v7.yaml", epochs=100, imgsz=640)Bağımsız değişkenler ve ayarlar hakkında daha fazla bilgi için Eğitim sayfasına bak.
Evet. Beş Open Images V7 önceden eğitilmiş modeli (
yolov8n-oiv7.ptileyolov8x-oiv7.ptarasında; 18.4 ile 36.3 mAP aralığında), kutudan çıktığı hâliyle 601 sınıfın tümünü algılar. Böylece 561 GB indirme yapmadan kendi görüntülerinde tahmin çalıştırabilirsin.Open Images V7 daha büyük ve kapsamlıdır: 601 nesne sınıfı ve 1.743.042 eğitim görüntüsü içerirken COCO 80 sınıf ve 118.287 eğitim görüntüsü içerir. COCO, algılayıcıları karşılaştırmak için standart kıyaslama veri kümesi olmaya devam ederken Open Images V7, geniş bir kategori yelpazesini kapsaması gereken büyük söz dağarcıklı algılama ve ön eğitim modelleri için daha uygundur.