Link to this sectionRoboflow 100 Veri Kümesi#

Roboflow 100, sponsored by Intel, is a groundbreaking object detection benchmark dataset. It includes 100 diverse datasets. This benchmark is specifically designed to test the adaptability of computer vision models, like Ultralytics YOLO models, to various domains, including healthcare, aerial imagery, and video games.

Link to this sectionTemel Özellikler#

• Çeşitli Alanlar: Hava, Video oyunları, Mikroskobik, Sualtı, Belgeler, Elektromanyetik ve Gerçek Dünya olmak üzere yedi farklı alanda 100 veri kümesi içerir.
• Ölçek: Kıyaslama, 11.170 saatin üzerinde veri etiketleme çalışmasını temsil eden 805 sınıf genelinde 224.714 görüntüden oluşmaktadır.
• Standardizasyon: Tüm görüntüler, tutarlı bir değerlendirme için ön işleme tabi tutulur ve 640x640 piksele yeniden boyutlandırılır.
• Temiz Değerlendirme: Daha temiz bir model değerlendirmesi sağlamak için sınıf belirsizliğini ortadan kaldırmaya odaklanır ve yetersiz temsil edilen sınıfları filtreler.
• Annotations: Includes bounding boxes for objects, suitable for training and evaluating object detection models using metrics like mAP.

Link to this sectionVeri Kümesi Yapısı#

Roboflow 100 veri kümesi, her biri benzersiz bir veri kümesi, görüntü ve sınıf koleksiyonu içeren yedi kategoriye ayrılmıştır:

• Hava: 7 veri kümesi, 9.683 görüntü, 24 sınıf.
• Video Oyunları: 7 veri kümesi, 11.579 görüntü, 88 sınıf.
• Mikroskobik: 11 veri kümesi, 13.378 görüntü, 28 sınıf.
• Sualtı: 5 veri kümesi, 18.003 görüntü, 39 sınıf.
• Belgeler: 8 veri kümesi, 24.813 görüntü, 90 sınıf.
• Elektromanyetik: 12 veri kümesi, 36.381 görüntü, 41 sınıf.
• Gerçek Dünya: 50 veri kümesi, 110.615 görüntü, 495 sınıf.

This structure provides a diverse and extensive testing ground for object detection models, reflecting a wide array of real-world application scenarios found in various Ultralytics Solutions.

Link to this sectionKıyaslama#

Veri kümesi kıyaslama çalışması, makine öğrenimi modellerinin performansını standart metrikler kullanarak belirli veri kümeleri üzerinde değerlendirmeyi içerir. Yaygın metrikler arasında doğruluk, ortalama Ortalama Hassasiyet (mAP) ve F1-skoru bulunur. Bunlar hakkında daha fazla bilgiyi YOLO Performans Metrikleri kılavuzumuzda bulabilirsin.

import re
from pathlib import Path

from ultralytics import YOLO
from ultralytics.utils import ASSETS_URL, YAML
from ultralytics.utils.checks import check_requirements
from ultralytics.utils.downloads import safe_download

# Download the RF100 datasets from Roboflow (requires a free Roboflow API key)
check_requirements("roboflow")
from roboflow import Roboflow

rf = Roboflow(api_key="YOUR_ROBOFLOW_API_KEY")
safe_download(f"{ASSETS_URL}/datasets_links.txt")  # list of RF100 dataset links

datasets = []
for line in Path("datasets_links.txt").read_text().splitlines():
    try:
        _, _url, workspace, project, version = re.split("/+", line.strip())
        location = f"rf-100/{project}-{version}"
        rf.workspace(workspace).project(project).version(version).download("yolov8", location=location)
        yaml = Path(location) / "data.yaml"
        cfg = YAML.load(yaml)  # point train/val at the downloaded image folders
        cfg["train"], cfg["val"] = "train/images", "valid/images"
        YAML.save(yaml, cfg)
        datasets.append(str(yaml))
    except Exception:
        continue

# Fine-tune one base model across all RF100 datasets and visualize the cross-dataset results
model = YOLO("yolo26n.pt")
results = model.train(data=datasets, epochs=100, imgsz=640)  # {dataset: metrics}

# Per-dataset runs, multitrain_results.json (per-dataset + mean), and multitrain_results.png are saved
# together under runs/detect/multitrain. Read results in-memory or from the JSON for custom post-processing.
for dataset, metrics in results.items():
    if metrics:  # None if that dataset failed to train
        print(f"{dataset}: mAP50-95 = {metrics['metrics/mAP50-95(B)']:.4f}")

Link to this sectionUygulamalar#

Roboflow 100, bilgisayarlı görü ve derin öğrenme ile ilgili çeşitli uygulamalar için paha biçilmezdir. Araştırmacılar ve mühendisler bu kıyaslamadan şunlar için yararlanabilir:

• Nesne algılama modellerinin performansını çok alanlı bir bağlamda değerlendirmek.
• Test the adaptability and robustness of models to real-world scenarios beyond common benchmark datasets like COCO or PASCAL VOC.
• Sağlık hizmetleri, hava görüntüleri ve video oyunları gibi özel alanlar da dahil olmak üzere çeşitli veri kümeleri üzerinde nesne algılama modellerinin yeteneklerini kıyaslamak.
• Model performansını farklı sinir ağı mimarileri ve optimizasyon teknikleri arasında karşılaştırmak.
• Identify domain-specific challenges that may require specialized model training tips or fine-tuning approaches like transfer learning.

For more ideas and inspiration on real-world applications, explore our guides on practical projects or check out Ultralytics Platform for streamlined model training and deployment.

Link to this sectionKullanım#

Meta veriler ve indirme bağlantıları dahil olmak üzere Roboflow 100 veri kümesi, resmi Roboflow 100 GitHub deposunda mevcuttur. Kıyaslama ihtiyaçların için veri kümesine doğrudan oradan erişebilir ve kullanabilirsin. Veri kümeleri indirildikten ve yukarıda gösterildiği gibi hazırlandıktan sonra, Ultralytics modelleri, veri kümesi YAML listesini ileterek tek bir model.train() çağrısında tüm koleksiyon boyunca ince ayar yapılabilir.

Link to this sectionÖrnek Veriler ve Etiketler#

Roboflow 100, çeşitli açılardan ve alanlardan çekilmiş farklı görüntülere sahip veri kümelerinden oluşur. Aşağıda, RF100 kıyaslamasına dahil edilen, nesnelerin ve sahnelerin çeşitliliğini sergileyen açıklamalı görüntü örnekleri bulunmaktadır. Veri artırma gibi teknikler, eğitim sırasında çeşitliliği daha da artırabilir.

Roboflow 100 kıyaslamasında görülen çeşitlilik, genellikle sınırlı bir alan içindeki tek bir metriği optimize etmeye odaklanan geleneksel kıyaslamalardan önemli bir ilerlemeyi temsil eder. Bu kapsamlı yaklaşım, birçok farklı senaryoda iyi performans gösterebilen daha sağlam ve çok yönlü bilgisayarlı görü modellerinin geliştirilmesine yardımcı olur.

Link to this sectionAlıntılar ve Teşekkür#

Roboflow 100 veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen orijinal makaleye atıfta bulun:

@misc{rf100benchmark,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

Roboflow 100 veri kümesini bilgisayarlı görü topluluğu için değerli bir kaynak olarak oluşturma ve sürdürmedeki önemli çabaları için Roboflow ekibine ve tüm katkıda bulunanlara minnettarız.

If you are interested in exploring more datasets to enhance your object detection and machine learning projects, feel free to visit our comprehensive dataset collection, which includes a variety of other detection datasets.

Link to this sectionSSS#

Link to this sectionRoboflow 100 veri kümesi nedir ve nesne algılama için neden önemlidir?#

Roboflow 100 veri kümesi, nesne algılama modelleri için bir kıyaslamadır. Sağlık hizmetleri, hava görüntüleri ve video oyunları gibi alanları kapsayan 100 farklı veri kümesinden oluşur. Önemi, geleneksel, genellikle alanla sınırlı kıyaslamaların ötesine geçerek, modelin uyarlanabilirliğini ve sağlamlığını çok çeşitli gerçek dünya senaryolarında test etmek için standartlaştırılmış bir yol sağlamasında yatar.

Link to this sectionRoboflow 100 veri kümesi hangi alanları kapsar?#

Roboflow 100 veri kümesi, nesne algılama modelleri için benzersiz zorluklar sunan yedi farklı alana yayılmaktadır:

1. Hava: 7 veri kümesi (örneğin, uydu görüntüleri, dron görünümleri).
2. Video Oyunları: 7 veri kümesi (örneğin, çeşitli oyun ortamlarından nesneler).
3. Mikroskobik: 11 veri kümesi (örneğin, hücreler, parçacıklar).
4. Sualtı: 5 veri kümesi (örneğin, deniz yaşamı, su altındaki nesneler).
5. Belgeler: 8 veri kümesi (örneğin, metin bölgeleri, form öğeleri).
6. Elektromanyetik: 12 veri kümesi (örneğin, radar imzaları, spektral veri görselleştirmeleri).
7. Gerçek Dünya: 50 veri kümesi (günlük nesneler, sahneler, perakende vb. içeren geniş bir kategori).

Bu çeşitlilik, RF100'ü bilgisayarlı görü modellerinin genelleştirilebilirliğini değerlendirmek için mükemmel bir kaynak haline getirir.

Link to this sectionAraştırmamda Roboflow 100 veri kümesine atıfta bulunurken neleri dahil etmeliyim?#

Roboflow 100 veri kümesini kullanırken, oluşturuculara kredi vermek için lütfen orijinal makaleye atıfta bulun. Önerilen BibTeX alıntısı şöyledir:

@misc{rf100benchmark,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

Daha fazla keşif için kapsamlı veri kümesi koleksiyonumuzu ziyaret etmeyi veya Ultralytics modelleriyle uyumlu diğer algılama veri kümelerine göz atmayı düşünebilirsin.