PASCAL VOC (Görsel Nesne Sınıfları) veri kümesi, 20 gündelik nesne sınıfı içeren klasik bir nesne tespiti kıyaslama veri kümesidir. Ultralytics VOC.yaml yapılandırması, VOC2007 ve VOC2012 trainval bölümlerini birleştirerek 16.551 görüntülük bir eğitim kümesi oluşturur; herkese açık şekilde açıklamaları bulunan 4.952 VOC2007 test görüntüsünü doğrulama için kullanır ve ilk kullanımda her şeyi otomatik olarak indirir (2,8 GB).
İzle: Ultralytics YOLO Pascal VOC Veri Kümesinde Nasıl Eğitilir | Nesne Algılama | Bilgisayarlı Görü 🚀
PASCAL VOC yarışmaları 2005'ten 2012'ye kadar sürdü ve nesne tespiti modellerinin değerlendirilme biçimini şekillendirdi: kıyaslama veri kümesi görüntü sınıflandırma, tespit ve segmentasyon görevlerini kapsar; ayrıca Ortalama Ortalama Kesinliği (mAP) standart tespit metriği olarak yaygınlaştı. Ultralytics VOC.yaml yapılandırması tespit açıklamalarını kullanır ve indirme sırasında özgün XML sınırlayıcı kutularını YOLO biçimine dönüştürür.
20 gündelik nesne sınıfı: kişi; altı hayvan (kuş, kedi, inek, köpek, at, koyun); yedi taşıt (uçak, bisiklet, tekne, otobüs, otomobil, motosiklet, tren) ve altı iç mekân nesnesi (şişe, sandalye, yemek masası, saksı bitkisi, kanepe, televizyon monitörü).
İki yarışma dönemi birleştirildi: eğitim kümesi, VOC2007 trainval (5.011 görüntü) ile VOC2012 trainval (11.540 görüntüyü) bir araya getirir.
Standartlaştırılmış değerlendirme: Yıllar boyunca yayımlanan VOC temel sonuçları, bu veri kümesini tespit modellerini karşılaştırmak için kullanışlı bir referans noktası hâline getirir.
YOLO kullanımına hazır: indirme betiği arşivleri getirir ve açıklamaları otomatik olarak dönüştürür; elle hazırlık gerekmez.
Eğitim sırasında değerlendirme için kullanılan VOC2007 test
Test
4,952
Aynı VOC2007 test görüntüleri — yapılandırmada ayrı bir ayrılmış bölüm tanımlanmamıştır
VOC2007 test açıklamaları o yılın yarışmasından sonra kamuya açıldı; bu sayede bu bölüm etiketli bir doğrulama kümesi olarak kullanılabiliyor. VOC2012 test açıklamaları ise gizli tutuluyor; bu bölümdeki sonuçlar yalnızca resmî PASCAL değerlendirme sunucusu üzerinden puanlanabiliyor, bu nedenle bu yapılandırmaya dâhil değil.
Zor nesneler hariç tutuldu
Otomatik dönüştürücü, özgün VOC XML açıklamalarında difficult olarak işaretlenmiş nesneleri atlar; bu nedenle sınıf başına örnek sayıları resmî VOC istatistiklerinden biraz farklıdır.
Görüntüleri açıklama katmanlarıyla incelemek, sınıf dağılımını ve sınırlayıcı kutu ısı haritalarını Grafikler sekmesinde görüntülemek ve bulutta kendi modelini eğitmek için klonlamak üzere Ultralytics Platform'da VOC'yi keşfet.
Daha büyük COCO veri kümesinden önceki yıllarda PASCAL VOC, nesne tespiti araştırmalarının başlıca kıyaslama veri kümesiydi: Faster R-CNN ve SSD gibi algılayıcılar ilk sonuçlarını bu veri kümesinde yayımladı ve Ultralytics YOLO modelleri bu veri kümesinde ek ayar gerektirmeden eğitilebilir. Günümüzde de şu amaçlarla yaygın olarak kullanılır:
Yeni tespit mimarilerini, yayımlanmış temel sonuçların uzun geçmişiyle karşılaştırarak değerlendirme
Hızlı deneyler ve ders çalışmaları — 16.551 eğitim görüntüsüyle eğitim, COCO'ya kıyasla çok daha hızlıdır
Gündelik sınıflardan oluşan küçük ve iyi anlaşılmış bir küme üzerinde aktarım öğrenimi çalışmaları
VOC, ilk kez eğitim yaptığında otomatik olarak indirilir — toplam 2,8 GB olan üç arşiv — ve çıkarma ile dönüştürme sırasında yaklaşık 6 GB boş disk alanı gerektirir.
VOC veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin.
Eğitim Örneği
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli eğit — veri kümesi ilk çalıştırmada otomatik indirilir
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)
Aşağıdaki görüntüde VOC veri kümesinden mozaiklenmiş bir eğitim grubu gösteriliyor. Mozaikleme, birden fazla görüntüyü tek bir eğitim örneğinde birleştirerek modelin her grupta gördüğü nesne, ölçek ve sahne bağlamı çeşitliliğini artırır — ayrıntılar için YOLO veri artırma kılavuzuna bak.
VOC veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:
Atıf
@article{everingham2010pascal,
author={Everingham, Mark and Van Gool, Luc and Williams, Christopher K. I. and Winn, John and Zisserman, Andrew},
journal={International Journal of Computer Vision},
title={The Pascal Visual Object Classes (VOC) Challenge},
year={2010},
volume={88},
number={2},
pages={303-338},
doi={10.1007/s11263-009-0275-4}}
Bu değerli kaynağı oluşturup sürdürdüğü için PASCAL VOC Konsorsiyumu'na bilgisayarlı görü topluluğu adına teşekkür ederiz. VOC veri kümesi ve oluşturucuları hakkında daha fazla bilgi için PASCAL VOC veri kümesi web sitesini ziyaret et.
PASCAL VOC, kişi, otomobil, köpek ve sandalye gibi gündelik nesnelerden oluşan 20 sınıfta nesne algılama modellerini eğitmek ve kıyaslamak için kullanılır. Kompakt olması, tümüyle etiketlenmesi ve yıllar içinde yayımlanmış temel sonuçlarla desteklenmesi sayesinde yeni mimarileri doğrulamak, ders projeleri için deneyler yapmak ve hızlı aktarım öğrenimi çalışmaları yürütmek için sık tercih edilir.
Ultralytics VOC yapılandırması 21.503 görüntü içerir: eğitim için 16.551 görüntü (VOC2007 trainval + VOC2012 trainval) ve doğrulama için 4.952 görüntü (VOC2007 test kümesi). Tüm bölümler aynı 20 sınıfı kullanır. Ayrıntılı döküm için Veri Kümesi Yapısı bölümüne bak.
data="VOC.yaml" ile ilk kez eğitim yaptığında VOC otomatik olarak indirilir — elle herhangi bir işlem yapman gerekmez. Betik, Ultralytics GitHub sürüm varlıklarından üç arşivi (2,8 GB) indirir ve XML açıklamalarını YOLO biçimine dönüştürür.
VOC üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğit:
Eğitim Örneği
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.pt") # Önceden eğitilmiş bir model yükle (eğitim için önerilir)
# Modeli eğit
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)
Her iki yarışma da aynı 20 sınıfı kullanır ancak farklı görüntüler içerir. VOC2007, 5.011 trainval görüntüsü ve açıklamaları herkese açık olan 4.952 görüntülük bir test kümesi sunar; VOC2012 ise 11.540 trainval görüntüsü sunarken test açıklamalarını gizli tutar ve yalnızca resmî değerlendirme sunucusunda puanlar. Ultralytics VOC.yaml, her iki trainval kümesini eğitim için birleştirir ve VOC2007 test kümesiyle doğrulama yapar.
VOC daha küçük ve basittir: COCO'nun 80 sınıfı ve 330K görüntüsüne karşılık 20 sınıf ve 21.503 görüntü içerir. VOC sonuçları geleneksel olarak 0.5 IoU değerinde mAP olarak raporlanırken COCO, mAP değerini 0.5 ile 0.95 arasındaki IoU eşiklerinde ortalar. VOC çok daha hızlı eğitilir ve hızlı deneylere uygundur; COCO veri kümesi ise üretim ölçeğinde kıyaslama için standarttır.
Hayır — VOC.yaml yalnızca algılama için kullanılan bir yapılandırmadır: dönüştürücüsü VOC XML ek açıklamalarından sınırlayıcı kutuları çıkarır, ancak özgün kıyaslama veri kümesinde bulunan segmentasyon maskeleri dönüştürülmez. Örnek segmentasyonu modeli eğitmek için YOLO26n-seg modeliyle COCO-Seg gibi çokgen etiketli bir veri kümesi kullan.
raise RuntimeError(emojis(f"Dataset '{clean_url(self.args.data)}' error ❌ {e}")) from e
RuntimeError: Dataset 'VOC.yaml' error ❌ [Errno 2] No such file or directory: '/home/diana/Code/test/datasets/VOC/images/VOCdevkit/VOC2007/ImageSets/Main/train.txt'
Nice find on the root cause. To clean things up, delete the incomplete datasets/VOC folder and run your yolo ... data=VOC.yaml command again so the download/conversion script can fully re-download and unpack everything; if you still hit a path error after that, please share the full command and complete traceback so we can take a closer look.
Respectively, "xmin/ymin" and "xmax/ymax" are the coordinates of the upper-left and lower-right corners of the object.
How can I use this dataset to train the YoloV11 neural network?
@YustasDev to train YOLO26 on your Pascal VOC dataset, you need to convert the XML annotations to YOLO format (class, x_center, y_center, width, height in normalized coordinates). Use the conversion script provided in the VOC.yaml file under the "Download script/URL" section. Once converted, define a custom YAML file for your dataset paths and run the training using:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="your_dataset.yaml", epochs=100, imgsz=640)
Respectively, "xmin/ymin" and "xmax/ymax" are the coordinates of the upper-left and lower-right corners of the object.
How can I use this dataset to train the YoloV11 neural network?
@YustasDev to use your Pascal VOC dataset for YOLO26 training, you need to convert the XML annotations to YOLO format (class, x_center, y_center, width, height with normalized coordinates). You can adapt the XML-to-YOLO conversion script from the VOC dataset documentation here: https://docs.ultralytics.com/datasets/detect/voc/. Once converted, create a dataset YAML file similar to VOC.yaml, specifying your paths and classes, and then start training using yolo detect train data=your_dataset.yaml model=yolo26n.pt. Let me know if you encounter any issues!
Çerezler, hangi belgeleri, modelleri ve özellikleri yararlı bulduğunu görmemize yardımcı olur; böylece bunları geliştirmeye devam edebiliriz. bölümünden neleri paylaşacağını seç veya Gizlilik Politikası sayfamızı oku.