─░├žeri─če ge├ž

VOC Veri Seti

PASCAL VOC (G├Ârsel Nesne S─▒n─▒flar─▒) veri k├╝mesi iyi bilinen bir nesne alg─▒lama, segmentasyon ve s─▒n─▒fland─▒rma veri k├╝mesidir. ├çok ├že┼čitli nesne kategorileri ├╝zerine ara┼čt─▒rmalar─▒ te┼čvik etmek i├žin tasarlanm─▒┼čt─▒r ve bilgisayarla g├Ârme modellerini k─▒yaslamak i├žin yayg─▒n olarak kullan─▒l─▒r. Nesne alg─▒lama, segmentasyon ve s─▒n─▒fland─▒rma g├Ârevleri ├╝zerinde ├žal─▒┼čan ara┼čt─▒rmac─▒lar ve geli┼čtiriciler i├žin ├Ânemli bir veri setidir.

Temel ├ľzellikler

  • VOC veri seti iki ana zorluk i├žermektedir: VOC2007 ve VOC2012.
  • Veri k├╝mesi, arabalar, bisikletler ve hayvanlar gibi yayg─▒n nesnelerin yan─▒ s─▒ra tekneler, kanepeler ve yemek masalar─▒ gibi daha spesifik kategoriler de dahil olmak ├╝zere 20 nesne kategorisinden olu┼čmaktad─▒r.
  • Ek a├ž─▒klamalar, nesne alg─▒lama ve s─▒n─▒fland─▒rma g├Ârevleri i├žin nesne s─▒n─▒rlay─▒c─▒ kutular─▒ ve s─▒n─▒f etiketlerini ve segmentasyon g├Ârevleri i├žin segmentasyon maskelerini i├žerir.
  • VOC, nesne alg─▒lama ve s─▒n─▒fland─▒rma i├žin Ortalama Ortalama Hassasiyet (mAP) gibi standartla┼čt─▒r─▒lm─▒┼č de─čerlendirme metrikleri sa─člayarak model performans─▒n─▒ kar┼č─▒la┼čt─▒rmak i├žin uygun hale getirir.

Veri K├╝mesi Yap─▒s─▒

VOC veri k├╝mesi ├╝├ž alt k├╝meye ayr─▒lm─▒┼čt─▒r:

  1. E─čitmek: Bu alt k├╝me nesne alg─▒lama, segmentasyon ve s─▒n─▒fland─▒rma modellerinin e─čitimi i├žin g├Âr├╝nt├╝ler i├žerir.
  2. Do─črulama: Bu alt k├╝me, model e─čitimi s─▒ras─▒nda do─črulama amac─▒yla kullan─▒lan g├Âr├╝nt├╝lere sahiptir.
  3. Test: Bu alt k├╝me, e─čitilen modelleri test etmek ve k─▒yaslamak i├žin kullan─▒lan g├Âr├╝nt├╝lerden olu┼čur. Bu alt k├╝me i├žin temel ger├žek a├ž─▒klamalar─▒ kamuya a├ž─▒k de─čildir ve sonu├žlar performans de─čerlendirmesi i├žin PASCAL VOC de─čerlendirme sunucusuna g├Ânderilir.

Uygulamalar

VOC veri seti, nesne alg─▒lama ( YOLO, Faster R-CNN ve SSD gibi), ├Ârnek segmentasyonu (Mask R-CNN gibi) ve g├Âr├╝nt├╝ s─▒n─▒fland─▒rmada derin ├Â─črenme modellerini e─čitmek ve de─čerlendirmek i├žin yayg─▒n olarak kullan─▒lmaktad─▒r. Veri setinin ├že┼čitli nesne kategorileri, ├žok say─▒da a├ž─▒klamal─▒ g├Âr├╝nt├╝ ve standartla┼čt─▒r─▒lm─▒┼č de─čerlendirme metrikleri, onu bilgisayarla g├Ârme ara┼čt─▒rmac─▒lar─▒ ve uygulay─▒c─▒lar─▒ i├žin ├Ânemli 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. VOC veri k├╝mesi s├Âz konusu oldu─čunda VOC.yaml dosyas─▒ ┼ču adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VOC.yaml.

ultralytics/cfg/datasets/VOC.yaml

# Ultralytics YOLO ­čÜÇ, AGPL-3.0 license
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC by University of Oxford
# Documentation: # Documentation: https://docs.ultralytics.com/datasets/detect/voc/
# Example usage: yolo train data=VOC.yaml
# parent
# ÔöťÔöÇÔöÇ ultralytics
# ÔööÔöÇÔöÇ datasets
#     ÔööÔöÇÔöÇ VOC  ÔćÉ downloads here (2.8 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/VOC
train: # train images (relative to 'path')  16551 images
  - images/train2012
  - images/train2007
  - images/val2012
  - images/val2007
val: # val images (relative to 'path')  4952 images
  - images/test2007
test: # test images (optional)
  - images/test2007

# Classes
names:
  0: aeroplane
  1: bicycle
  2: bird
  3: boat
  4: bottle
  5: bus
  6: car
  7: cat
  8: chair
  9: cow
  10: diningtable
  11: dog
  12: horse
  13: motorbike
  14: person
  15: pottedplant
  16: sheep
  17: sofa
  18: train
  19: tvmonitor

# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
  import xml.etree.ElementTree as ET

  from tqdm import tqdm
  from ultralytics.utils.downloads import download
  from pathlib import Path

  def convert_label(path, lb_path, year, image_id):
      def convert_box(size, box):
          dw, dh = 1. / size[0], 1. / size[1]
          x, y, w, h = (box[0] + box[1]) / 2.0 - 1, (box[2] + box[3]) / 2.0 - 1, box[1] - box[0], box[3] - box[2]
          return x * dw, y * dh, w * dw, h * dh

      in_file = open(path / f'VOC{year}/Annotations/{image_id}.xml')
      out_file = open(lb_path, 'w')
      tree = ET.parse(in_file)
      root = tree.getroot()
      size = root.find('size')
      w = int(size.find('width').text)
      h = int(size.find('height').text)

      names = list(yaml['names'].values())  # names list
      for obj in root.iter('object'):
          cls = obj.find('name').text
          if cls in names and int(obj.find('difficult').text) != 1:
              xmlbox = obj.find('bndbox')
              bb = convert_box((w, h), [float(xmlbox.find(x).text) for x in ('xmin', 'xmax', 'ymin', 'ymax')])
              cls_id = names.index(cls)  # class id
              out_file.write(" ".join(str(a) for a in (cls_id, *bb)) + '\n')


  # Download
  dir = Path(yaml['path'])  # dataset root dir
  url = 'https://github.com/ultralytics/yolov5/releases/download/v1.0/'
  urls = [f'{url}VOCtrainval_06-Nov-2007.zip',  # 446MB, 5012 images
          f'{url}VOCtest_06-Nov-2007.zip',  # 438MB, 4953 images
          f'{url}VOCtrainval_11-May-2012.zip']  # 1.95GB, 17126 images
  download(urls, dir=dir / 'images', curl=True, threads=3, exist_ok=True)  # download and unzip over existing paths (required)

  # Convert
  path = dir / 'images/VOCdevkit'
  for year, image_set in ('2012', 'train'), ('2012', 'val'), ('2007', 'train'), ('2007', 'val'), ('2007', 'test'):
      imgs_path = dir / 'images' / f'{image_set}{year}'
      lbs_path = dir / 'labels' / f'{image_set}{year}'
      imgs_path.mkdir(exist_ok=True, parents=True)
      lbs_path.mkdir(exist_ok=True, parents=True)

      with open(path / f'VOC{year}/ImageSets/Main/{image_set}.txt') as f:
          image_ids = f.read().strip().split()
      for id in tqdm(image_ids, desc=f'{image_set}{year}'):
          f = path / f'VOC{year}/JPEGImages/{id}.jpg'  # old img path
          lb_path = (lbs_path / f.name).with_suffix('.txt')  # new label path
          f.rename(imgs_path / f.name)  # move image
          convert_label(path, lb_path, year, id)  # convert labels to YOLO format

Kullan─▒m

Bir YOLOv8n modelini 640 g├Âr├╝nt├╝ boyutuyla 100 epok i├žin VOC veri k├╝mesinde 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="VOC.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=VOC.yaml model=yolov8n.pt epochs=100 imgsz=640

├ľrnek G├Âr├╝nt├╝ler ve A├ž─▒klamalar

VOC veri k├╝mesi, ├že┼čitli nesne kategorileri ve karma┼č─▒k sahneler i├žeren ├žok ├že┼čitli g├Âr├╝nt├╝ler i├žermektedir. A┼ča─č─▒da veri k├╝mesinden baz─▒ g├Âr├╝nt├╝ ├Ârnekleri ve bunlara kar┼č─▒l─▒k gelen ek a├ž─▒klamalar yer almaktad─▒r:

Veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

  • Mozaiklenmi┼č G├Âr├╝nt├╝: Bu g├Âr├╝nt├╝, mozaiklenmi┼č veri k├╝mesi g├Âr├╝nt├╝lerinden olu┼čan bir e─čitim grubunu g├Âstermektedir. Mozaikleme, e─čitim s─▒ras─▒nda kullan─▒lan ve her bir e─čitim grubundaki nesne ve sahne ├že┼čitlili─čini art─▒rmak i├žin birden fazla g├Âr├╝nt├╝y├╝ tek bir g├Âr├╝nt├╝de birle┼čtiren bir tekniktir. Bu, modelin farkl─▒ nesne boyutlar─▒na, en boy oranlar─▒na ve ba─člamlara genelleme yetene─čini geli┼čtirmeye yard─▒mc─▒ olur.

Bu ├Ârnek, VOC veri setindeki g├Âr├╝nt├╝lerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ ve e─čitim s├╝recinde mozaikleme kullanman─▒n faydalar─▒n─▒ g├Âstermektedir.

At─▒flar ve Te┼čekk├╝r

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

@misc{everingham2010pascal,
      title={The PASCAL Visual Object Classes (VOC) Challenge},
      author={Mark Everingham and Luc Van Gool and Christopher K. I. Williams and John Winn and Andrew Zisserman},
      year={2010},
      eprint={0909.5206},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

PASCAL VOC Konsorsiyumuna, bilgisayarla g├Ârme toplulu─ču i├žin bu de─čerli kayna─č─▒ olu┼čturduklar─▒ ve s├╝rd├╝rd├╝kleri i├žin te┼čekk├╝r ederiz. VOC veri seti ve yarat─▒c─▒lar─▒ hakk─▒nda daha fazla bilgi i├žin PASCAL VOC veri seti web sitesini ziyaret edin.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (6), Laughing-q (1)

Yorumlar