─░├žeri─če ge├ž

Roboflow 100 Veri K├╝mesi

Roboflow 100, taraf─▒ndan geli┼čtirilmi┼čtir Roboflow Intel taraf─▒ndan desteklenen ve ├ž─▒─č─▒r a├žan bir nesne alg─▒lama ├Âl├ž├╝t├╝d├╝r. 90.000'den fazla halka a├ž─▒k veri k├╝mesinden ├Ârneklenen 100 farkl─▒ veri k├╝mesi i├žerir. Bu k─▒yaslama, modellerin sa─čl─▒k hizmetleri, hava g├Âr├╝nt├╝leri ve video oyunlar─▒ gibi ├že┼čitli alanlara uyarlanabilirli─čini test etmek i├žin tasarlanm─▒┼čt─▒r.

Roboflow 100 Genel Bak─▒┼č

Temel ├ľzellikler

  • Yedi alanda 100 veri k├╝mesi i├žerir: Hava, Video oyunlar─▒, Mikroskobik, Sualt─▒, Belgeler, Elektromanyetik ve Ger├žek D├╝nya.
  • Kar┼č─▒la┼čt─▒rma ├Âl├ž├╝t├╝, 11.170 saatten fazla s├╝ren etiketleme ├žal─▒┼čmalar─▒ sayesinde 805 s─▒n─▒fta 224.714 g├Âr├╝nt├╝den olu┼čmaktad─▒r.
  • T├╝m g├Âr├╝nt├╝ler, s─▒n─▒f belirsizli─čini ortadan kald─▒rmaya ve yetersiz temsil edilen s─▒n─▒flar─▒ filtrelemeye odaklan─▒larak 640x640 piksele yeniden boyutland─▒r─▒lm─▒┼čt─▒r.
  • Ek a├ž─▒klamalar nesneler i├žin s─▒n─▒rlay─▒c─▒ kutular i├žerir, bu da onu nesne alg─▒lama modellerini e─čitmek ve de─čerlendirmek i├žin uygun hale getirir.

Veri K├╝mesi Yap─▒s─▒

Roboflow 100 veri seti, her biri farkl─▒ veri setleri, g├Âr├╝nt├╝ler ve s─▒n─▒flar i├žeren yedi kategori halinde d├╝zenlenmi┼čtir:

  • Hava: 24 farkl─▒ s─▒n─▒f─▒ kapsayan toplam 9.683 g├Âr├╝nt├╝ i├žeren 7 veri k├╝mesinden olu┼čur.
  • Video Oyunlar─▒: 88 s─▒n─▒fta 11.579 g├Âr├╝nt├╝ i├žeren 7 veri k├╝mesi i├žerir.
  • Mikroskobik: 28 s─▒n─▒fa yay─▒lan 13.378 g├Âr├╝nt├╝ i├žeren 11 veri k├╝mesinden olu┼čur.
  • Sualt─▒: 39 s─▒n─▒fta 18.003 g├Âr├╝nt├╝y├╝ kapsayan 5 veri k├╝mesi i├žerir.
  • Belgeler: 90 s─▒n─▒fa ayr─▒lm─▒┼č 24.813 g├Âr├╝nt├╝ i├žeren 8 veri k├╝mesinden olu┼čur.
  • Elektromanyetik: 41 s─▒n─▒fta toplam 36.381 g├Âr├╝nt├╝ i├žeren 12 veri k├╝mesinden olu┼čur.
  • Ger├žek D├╝nya: 495 s─▒n─▒fta 110.615 g├Âr├╝nt├╝ sunan 50 veri setiyle en b├╝y├╝k kategori.

Bu yap─▒, ger├žek d├╝nyadaki uygulama senaryolar─▒n─▒ yans─▒tan nesne alg─▒lama modelleri i├žin ├že┼čitli ve kapsaml─▒ bir test alan─▒ sa─člar.

K─▒yaslama

Veri k├╝mesi k─▒yaslamas─▒, do─čruluk, ortalama ortalama kesinlik ve F1 puan─▒ gibi standartla┼čt─▒r─▒lm─▒┼č ├Âl├ž├╝tleri kullanarak belirli veri k├╝meleri ├╝zerindeki makine ├Â─črenimi model performans─▒n─▒ de─čerlendirir.

K─▒yaslama

K─▒yaslama sonu├žlar─▒ "ultralytics-benchmarks/evaluation.txt" adresinde saklanacakt─▒r.

K─▒yaslama ├Ârne─či

import os
import shutil
from pathlib import Path

from ultralytics.utils.benchmarks import RF100Benchmark

# Initialize RF100Benchmark and set API key
benchmark = RF100Benchmark()
benchmark.set_key(api_key="YOUR_ROBOFLOW_API_KEY")

# Parse dataset and define file paths
names, cfg_yamls = benchmark.parse_dataset()
val_log_file = Path("ultralytics-benchmarks") / "validation.txt"
eval_log_file = Path("ultralytics-benchmarks") / "evaluation.txt"

# Run benchmarks on each dataset in RF100
for ind, path in enumerate(cfg_yamls):
    path = Path(path)
    if path.exists():
        # Fix YAML file and run training
        benchmark.fix_yaml(str(path))
        os.system(f"yolo detect train data={path} model=yolov8s.pt epochs=1 batch=16")

        # Run validation and evaluate
        os.system(f"yolo detect val data={path} model=runs/detect/train/weights/best.pt > {val_log_file} 2>&1")
        benchmark.evaluate(str(path), str(val_log_file), str(eval_log_file), ind)

        # Remove the 'runs' directory
        runs_dir = Path.cwd() / "runs"
        shutil.rmtree(runs_dir)
    else:
        print("YAML file path does not exist")
        continue

print("RF100 Benchmarking completed!")

Uygulamalar

Roboflow 100, bilgisayarla g├Ârme ve derin ├Â─črenme ile ilgili ├že┼čitli uygulamalar i├žin ├žok de─čerlidir. Ara┼čt─▒rmac─▒lar ve m├╝hendisler bu ├Âl├ž├╝t├╝ ┼ču ama├žlarla kullanabilir:

  • Nesne alg─▒lama modellerinin performans─▒n─▒ ├žok alanl─▒ bir ba─člamda de─čerlendirin.
  • Modellerin yayg─▒n nesne tan─▒man─▒n ├Âtesinde ger├žek d├╝nya senaryolar─▒na uyarlanabilirli─čini test edin.
  • Sa─čl─▒k hizmetleri, hava g├Âr├╝nt├╝leri ve video oyunlar─▒ da dahil olmak ├╝zere ├že┼čitli veri k├╝melerinde nesne alg─▒lama modellerinin yeteneklerini kar┼č─▒la┼čt─▒r─▒n.

Ger├žek d├╝nya uygulamalar─▒ hakk─▒nda daha fazla fikir ve ilham almak i├žin ger├žek d├╝nya projelerine ili┼čkin k─▒lavuzlar─▒m─▒za g├Âz atmay─▒ unutmay─▒n.

Kullan─▒m

Roboflow 100 veri seti hem GitHub 'da hem de Roboflow Universe'de mevcuttur.

Buna do─črudan Roboflow 100 GitHub deposundan eri┼čebilirsiniz. Buna ek olarak, Roboflow Universe adresinde, her bir veri k├╝mesi i├žindeki d─▒┼ča aktar d├╝─čmesine t─▒klayarak tek tek veri k├╝melerini indirme esnekli─čine sahipsiniz.

├ľrnek Veriler ve A├ž─▒klamalar

Roboflow 100 consists of datasets with diverse images and videos captured from various angles and domains. Here's a look at examples of annotated images in the RF100 benchmark.

├ľrnek Veriler ve A├ž─▒klamalar

Yukar─▒da g├Âr├╝lebilen Roboflow 100 k─▒yaslamas─▒ndaki ├že┼čitlilik, genellikle s─▒n─▒rl─▒ bir alanda tek bir metri─či optimize etmeye odaklanan geleneksel k─▒yaslamalardan ├Ânemli bir ilerlemedir.

At─▒flar ve Te┼čekk├╝r

Ara┼čt─▒rma veya geli┼čtirme ├žal─▒┼čmalar─▒n─▒zda Roboflow 100 veri setini kullan─▒yorsan─▒z, l├╝tfen a┼ča─č─▒daki makaleye at─▒fta bulunun:

@misc{2211.13523,
    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},
    Eprint = {arXiv:2211.13523},
}

Roboflow ekibine ve Roboflow 100 veri setinin olu┼čturulmas─▒ ve s├╝rd├╝r├╝lmesindeki yo─čun ├žal─▒┼čmalar─▒ i├žin t├╝m katk─▒da bulunanlara te┼čekk├╝r ederiz.

Nesne alg─▒lama ve makine ├Â─črenimi projelerinizi geli┼čtirmek i├žin daha fazla veri k├╝mesi ke┼čfetmekle ilgileniyorsan─▒z, kapsaml─▒ veri k├╝mesi koleksiyonumuzu ziyaret etmekten ├žekinmeyin.



Created 2024-02-07, Updated 2024-06-02
Authors: glenn-jocher (4), RizwanMunawar (2), abirami-vina (1)

Yorumlar