Link to this sectionCOCO-Pose Veri Kümesi#

COCO-Pose veri kümesi, duruş tahmini görevleri için tasarlanmış, COCO (Common Objects in Context) veri kümesinin özel bir sürümüdür. Duruş tahmini görevleri için YOLO gibi modellerin eğitilmesini sağlamak amacıyla COCO Keypoints 2017 görsellerinden ve etiketlerinden yararlanır.

Link to this sectionCOCO-Pose Önceden Eğitilmiş Modelleri#

Link to this sectionTemel Özellikler#

• COCO-Pose, duruş tahmini görevleri için anahtar noktalarla etiketlenmiş 200 bin görsel içeren COCO Keypoints 2017 veri kümesi üzerine inşa edilmiştir.
• Veri kümesi, ayrıntılı duruş tahminini kolaylaştırmak için insan figürlerine yönelik 17 anahtar noktayı destekler.
• COCO gibi, duruş tahmini görevleri için Nesne Anahtar Nokta Benzerliği (OKS) dahil olmak üzere standartlaştırılmış değerlendirme metrikleri sunar ve bu da onu model performansını karşılaştırmak için uygun hale getirir.

Link to this sectionVeri Kümesi Yapısı#

COCO-Pose veri kümesi üç alt kümeye ayrılmıştır:

1. Train2017: Bu alt küme, duruş tahmini modellerini eğitmek için açıklanmış, COCO veri kümesinden 56599 görsel içerir.
2. Val2017: Bu alt küme, model eğitimi sırasında doğrulama amacıyla kullanılan 2346 görsel içerir.
3. Test2017: Bu alt küme, eğitilmiş modelleri test etmek ve kıyaslamak için kullanılan görsellerden oluşur. Bu alt küme için doğruluk payı (ground truth) ek açıklamaları herkese açık değildir ve sonuçlar performans değerlendirmesi için COCO evaluation server adresine gönderilir.

Link to this sectionUygulamalar#

COCO-Pose veri kümesi, OpenPose gibi anahtar nokta algılama ve duruş tahmini görevlerinde derin öğrenme modellerini eğitmek ve değerlendirmek için özel olarak kullanılır. Veri kümesinin çok sayıdaki açıklamalı görseli ve standartlaştırılmış değerlendirme metrikleri, duruş tahminine odaklanan bilgisayarlı görü araştırmacıları ve uygulayıcıları için onu temel bir kaynak haline getirir.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgiler içerir. COCO-Pose veri kümesi söz konusu olduğunda, coco-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml adresinde tutulur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 Keypoints dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/pose/coco/
# Example usage: yolo train data=coco-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco-pose ← downloads here (20.1 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: coco-pose # dataset root dir
train: train2017.txt # train images (relative to 'path') 56599 images
val: val2017.txt # val images (relative to 'path') 2346 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://codalab.lisn.upsaclay.fr/competitions/7403

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

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

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  dir = Path(yaml["path"])  # dataset root dir

  urls = [f"{ASSETS_URL}/coco2017labels-pose.zip"]
  download(urls, dir=dir.parent)
  # Download data
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

Link to this sectionKullanım#

COCO-Pose veri kümesinde 640 görsel boyutuyla 100 epoch boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına bakabilirsin.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

COCO-Pose veri kümesi, anahtar noktalarla açıklanmış insan figürlerine sahip çeşitli görseller içerir. İşte veri kümesinden görsellerin karşılık gelen açıklamalarıyla birlikte bazı örnekleri:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yapma yeteneğini geliştirmeye yardımcı olur.

Örnek, COCO-Pose veri kümesindeki görsellerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını sergilemektedir.

Link to this sectionAlıntılar ve Teşekkür#

COCO-Pose veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen aşağıdaki makaleye atıfta bulun:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için COCO Konsorsiyumuna teşekkür ederiz. COCO-Pose veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionCOCO-Pose veri kümesi nedir ve duruş tahmini için Ultralytics YOLO ile nasıl kullanılır?#

The COCO-Pose veri kümesi, duruş tahmini görevleri için tasarlanmış, COCO (Common Objects in Context) veri kümesinin özel bir sürümüdür. Ayrıntılı duruş tahmini için Ultralytics YOLO gibi modellerin eğitilmesine olanak tanıyan COCO Keypoints 2017 görselleri ve açıklamaları üzerine inşa edilmiştir. Örneğin, önceden eğitilmiş bir modeli yükleyip bir YAML yapılandırmasıyla eğiterek bir YOLO26n-pose modelini eğitmek için COCO-Pose veri kümesini kullanabilirsin. Eğitim örnekleri için Eğitim belgelerine bakabilirsin.

Link to this sectionCOCO-Pose veri kümesi üzerinde nasıl YOLO26 modeli eğitebilirim?#

COCO-Pose veri kümesi üzerinde bir YOLO26 modeli eğitmek, Python veya CLI komutları kullanılarak gerçekleştirilebilir. Örneğin, 640 görsel boyutuyla 100 epoch boyunca bir YOLO26n-pose modelini eğitmek için aşağıdaki adımları takip edebilirsin:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)

Eğitim süreci ve mevcut bağımsız değişkenler hakkında daha fazla ayrıntı için eğitim sayfasına göz at.

Link to this sectionCOCO-Pose veri kümesi tarafından model performansını değerlendirmek için sağlanan farklı metrikler nelerdir?#

COCO-Pose veri kümesi, orijinal COCO veri kümesine benzer şekilde duruş tahmini görevleri için çeşitli standartlaştırılmış değerlendirme metrikleri sağlar. Temel metrikler, tahmin edilen anahtar noktaların temel doğruluk açıklamalarına göre doğruluğunu değerlendiren Nesne Anahtar Nokta Benzerliğini (OKS) içerir. Bu metrikler, farklı modeller arasında kapsamlı performans karşılaştırmalarına olanak tanır. Örneğin, YOLO26n-pose, YOLO26s-pose ve diğerleri gibi COCO-Pose önceden eğitilmiş modelleri, belgelerde listelenen mAP^pose50-95 ve mAP^pose50 gibi belirli performans metriklerine sahiptir.

Link to this sectionCOCO-Pose veri kümesi nasıl yapılandırılmış ve bölünmüştür?#

COCO-Pose veri kümesi üç alt kümeye ayrılmıştır:

1. Train2017: Duruş tahmini modellerini eğitmek için açıklanmış 56599 COCO görseli içerir.
2. Val2017: Model eğitimi sırasında doğrulama amacıyla kullanılan 2346 görsel.
3. Test2017: Eğitilmiş modelleri test etmek ve kıyaslamak için kullanılan görseller. Bu alt küme için doğruluk payı (ground truth) ek açıklamaları herkese açık değildir; sonuçlar performans değerlendirmesi için COCO evaluation server adresine gönderilir.

These subsets help organize the training, validation, and testing phases effectively. For configuration details, explore the coco-pose.yaml file available on GitHub.

Link to this sectionCOCO-Pose veri kümesinin temel özellikleri ve uygulamaları nelerdir?#

COCO-Pose veri kümesi, ayrıntılı duruş tahminini sağlamak için insan figürlerine yönelik 17 anahtar noktayı içerecek şekilde COCO Keypoints 2017 açıklamalarını genişletir. Standartlaştırılmış değerlendirme metrikleri (örneğin OKS), farklı modeller arasında karşılaştırmaları kolaylaştırır. COCO-Pose veri kümesinin uygulamaları, spor analitiği, sağlık hizmetleri ve insan-bilgisayar etkileşimi gibi insan figürlerinin ayrıntılı duruş tahmininin gerekli olduğu çeşitli alanlara yayılır. Pratik kullanım için, belgelerde sağlananlar (örneğin YOLO26n-pose) gibi önceden eğitilmiş modellerden yararlanmak süreci önemli ölçüde kolaylaştırabilir (Temel Özellikler).

COCO-Pose veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen BibTeX girişi içeren makaleye atıfta bulun.