─░├žeri─če ge├ž

VisDrone Veri K├╝mesi

VisDrone Veri K├╝mesi, ├çin'deki Tianjin ├ťniversitesi Makine ├ľ─črenimi ve Veri Madencili─či Laboratuvar─▒'ndaki AISKYEYE ekibi taraf─▒ndan olu┼čturulan b├╝y├╝k ├Âl├žekli bir k─▒yaslama ├Âl├ž├╝t├╝d├╝r. Drone tabanl─▒ g├Âr├╝nt├╝ ve video analiziyle ilgili ├že┼čitli bilgisayarla g├Ârme g├Ârevleri i├žin dikkatlice a├ž─▒klanm─▒┼č temel ger├žek verilerini i├žerir.

VisDrone, drone'a monte edilmi┼č ├že┼čitli kameralar taraf─▒ndan ├žekilen 261.908 kare ve 10.209 statik g├Âr├╝nt├╝ i├žeren 288 video klipten olu┼čmaktad─▒r. Veri k├╝mesi konum (├çin genelinde 14 farkl─▒ ┼čehir), ├ževre (kentsel ve k─▒rsal), nesneler (yayalar, ara├žlar, bisikletler vb.) ve yo─čunluk (seyrek ve kalabal─▒k sahneler) gibi ├žok ├že┼čitli unsurlar─▒ kapsamaktad─▒r. Veri seti, farkl─▒ senaryolar, hava ve ─▒┼č─▒k ko┼čullar─▒ alt─▒nda ├že┼čitli drone platformlar─▒ kullan─▒larak toplanm─▒┼čt─▒r. Bu karelere yayalar, arabalar, bisikletler ve ├╝├ž tekerlekli bisikletler gibi hedeflerin 2,6 milyondan fazla s─▒n─▒rlay─▒c─▒ kutusu manuel olarak eklenmi┼čtir. Daha iyi veri kullan─▒m─▒ i├žin sahne g├Âr├╝n├╝rl├╝─č├╝, nesne s─▒n─▒f─▒ ve okl├╝zyon gibi ├Âznitelikler de sa─članm─▒┼čt─▒r.

Veri K├╝mesi Yap─▒s─▒

VisDrone veri k├╝mesi, her biri belirli bir g├Âreve odaklanan be┼č ana alt k├╝me halinde d├╝zenlenmi┼čtir:

  1. G├Ârev 1: G├Âr├╝nt├╝lerde nesne alg─▒lama
  2. G├Ârev 2: Videolarda nesne alg─▒lama
  3. G├Ârev 3: Tek nesne izleme
  4. G├Ârev 4: ├çoklu nesne takibi
  5. G├Ârev 5: Kalabal─▒k say─▒m─▒

Uygulamalar

VisDrone veri k├╝mesi, nesne alg─▒lama, nesne izleme ve kalabal─▒k sayma gibi drone tabanl─▒ bilgisayarla g├Ârme g├Ârevlerinde derin ├Â─črenme modellerini e─čitmek ve de─čerlendirmek i├žin yayg─▒n olarak kullan─▒lmaktad─▒r. Veri setinin ├žok ├že┼čitli sens├Âr verileri, nesne a├ž─▒klamalar─▒ ve ├Âznitelikleri, onu drone tabanl─▒ bilgisayarla g├Ârme alan─▒ndaki ara┼čt─▒rmac─▒lar ve uygulay─▒c─▒lar i├žin de─čerli bir kaynak haline getirmektedir.

Veri K├╝mesi YAML

Veri k├╝mesi yap─▒land─▒rmas─▒n─▒ tan─▒mlamak i├žin bir YAML (Yet Another Markup Language) dosyas─▒ kullan─▒l─▒r. Veri k├╝mesinin yollar─▒, s─▒n─▒flar─▒ ve di─čer ilgili bilgiler hakk─▒nda bilgi i├žerir. Visdrone veri k├╝mesi s├Âz konusu oldu─čunda VisDrone.yaml dosyas─▒ ┼ču adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VisDrone.yaml.

ultralytics/cfg/datasets/VisDrone.yaml

# Ultralytics YOLO ­čÜÇ, AGPL-3.0 license
# VisDrone2019-DET dataset https://github.com/VisDrone/VisDrone-Dataset by Tianjin University
# Documentation: https://docs.ultralytics.com/datasets/detect/visdrone/
# Example usage: yolo train data=VisDrone.yaml
# parent
# ÔöťÔöÇÔöÇ ultralytics
# ÔööÔöÇÔöÇ datasets
#     ÔööÔöÇÔöÇ VisDrone  ÔćÉ downloads here (2.3 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: ../datasets/VisDrone # dataset root dir
train: VisDrone2019-DET-train/images # train images (relative to 'path')  6471 images
val: VisDrone2019-DET-val/images # val images (relative to 'path')  548 images
test: VisDrone2019-DET-test-dev/images # test images (optional)  1610 images

# Classes
names:
  0: pedestrian
  1: people
  2: bicycle
  3: car
  4: van
  5: truck
  6: tricycle
  7: awning-tricycle
  8: bus
  9: motor

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import os
  from pathlib import Path

  from ultralytics.utils.downloads import download

  def visdrone2yolo(dir):
      from PIL import Image
      from tqdm import tqdm

      def convert_box(size, box):
          # Convert VisDrone box to YOLO xywh box
          dw = 1. / size[0]
          dh = 1. / size[1]
          return (box[0] + box[2] / 2) * dw, (box[1] + box[3] / 2) * dh, box[2] * dw, box[3] * dh

      (dir / 'labels').mkdir(parents=True, exist_ok=True)  # make labels directory
      pbar = tqdm((dir / 'annotations').glob('*.txt'), desc=f'Converting {dir}')
      for f in pbar:
          img_size = Image.open((dir / 'images' / f.name).with_suffix('.jpg')).size
          lines = []
          with open(f, 'r') as file:  # read annotation.txt
              for row in [x.split(',') for x in file.read().strip().splitlines()]:
                  if row[4] == '0':  # VisDrone 'ignored regions' class 0
                      continue
                  cls = int(row[5]) - 1
                  box = convert_box(img_size, tuple(map(int, row[:4])))
                  lines.append(f"{cls} {' '.join(f'{x:.6f}' for x in box)}\n")
                  with open(str(f).replace(f'{os.sep}annotations{os.sep}', f'{os.sep}labels{os.sep}'), 'w') as fl:
                      fl.writelines(lines)  # write label.txt


  # Download
  dir = Path(yaml['path'])  # dataset root dir
  urls = ['https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-train.zip',
          'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-val.zip',
          'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-test-dev.zip',
          'https://github.com/ultralytics/yolov5/releases/download/v1.0/VisDrone2019-DET-test-challenge.zip']
  download(urls, dir=dir, curl=True, threads=4)

  # Convert
  for d in 'VisDrone2019-DET-train', 'VisDrone2019-DET-val', 'VisDrone2019-DET-test-dev':
      visdrone2yolo(dir / d)  # convert VisDrone annotations to YOLO labels

Kullan─▒m

VisDrone veri k├╝mesinde bir YOLOv8n modelini 640 g├Âr├╝nt├╝ boyutuyla 100 epok boyunca e─čitmek i├žin a┼ča─č─▒daki kod par├žac─▒klar─▒n─▒ kullanabilirsiniz. Kullan─▒labilir ba─č─▒ms─▒z de─či┼čkenlerin kapsaml─▒ bir listesi i├žin Model E─čitimi sayfas─▒na bak─▒n.

Tren ├ľrne─či

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="VisDrone.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=VisDrone.yaml model=yolov8n.pt epochs=100 imgsz=640

├ľrnek Veriler ve A├ž─▒klamalar

VisDrone veri k├╝mesi, drone'a monte edilmi┼č kameralar taraf─▒ndan ├žekilen ├že┼čitli g├Âr├╝nt├╝ ve videolar─▒ i├žerir. ─░┼čte veri k├╝mesinden baz─▒ veri ├Ârnekleri ve bunlara kar┼č─▒l─▒k gelen ek a├ž─▒klamalar:

Veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

  • G├Ârev 1: G├Âr├╝nt├╝lerde nesne tespiti - Bu g├Âr├╝nt├╝, nesnelerin s─▒n─▒rlay─▒c─▒ kutularla a├ž─▒kland─▒─č─▒ g├Âr├╝nt├╝lerde nesne tespitinin bir ├Ârne─čini g├Âstermektedir. Veri k├╝mesi, bu g├Ârev i├žin modellerin geli┼čtirilmesini kolayla┼čt─▒rmak ├╝zere farkl─▒ konumlardan, ortamlardan ve yo─čunluklardan al─▒nan ├žok ├že┼čitli g├Âr├╝nt├╝ler sunmaktad─▒r.

Bu ├Ârnek VisDrone veri setindeki verilerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ ortaya koymakta ve drone tabanl─▒ bilgisayarla g├Ârme g├Ârevleri i├žin y├╝ksek kaliteli sens├Âr verilerinin ├Ânemini vurgulamaktad─▒r.

At─▒flar ve Te┼čekk├╝r

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

@ARTICLE{9573394,
  author={Zhu, Pengfei and Wen, Longyin and Du, Dawei and Bian, Xiao and Fan, Heng and Hu, Qinghua and Ling, Haibin},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  title={Detection and Tracking Meet Drones Challenge},
  year={2021},
  volume={},
  number={},
  pages={1-1},
  doi={10.1109/TPAMI.2021.3119563}}

Drone tabanl─▒ bilgisayarla g├Ârme ara┼čt─▒rma toplulu─ču i├žin de─čerli bir kaynak olarak VisDrone veri setini olu┼čturan ve s├╝rd├╝ren ├çin'deki Tianjin ├ťniversitesi Makine ├ľ─črenimi ve Veri Madencili─či Laboratuvar─▒'ndaki AISKYEYE ekibine te┼čekk├╝r ederiz. VisDrone veri seti ve yarat─▒c─▒lar─▒ hakk─▒nda daha fazla bilgi i├žin VisDrone Veri Seti GitHub deposunu ziyaret edin.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (5), Laughing-q (1)

Yorumlar