COCO-Pose Veri Kümesi#

COCO-Pose veri seti, COCO'yu (Common Objects in Context) poz tahmini için uyarlar: 17 eklem şeması kullanan 156.165 insanla etiketlenmiş COCO Keypoints 2017'den 58.945 görsel. Ultralytics YOLO26 gibi eklem modeli eğitimi ve kıyaslaması için standart settir ve 8 görsellikh COCO8-Pose alt kümesi hızlı mantık kontrolleri için bu formatı yansıtır.

COCO-Pose Önceden Eğitilmiş Modelleri#

Temel Özellikler#

• COCO-Pose, 156.165 etiketlenmiş insan üzerinde 1.710.498 ayrı eklemi etiketleyen COCO Keypoints 2017 yarışmasını temel alır.
• Her insan etiketlemesi; burun, gözler, kulaklar, omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri olmak üzere (x, y, visibility) üçlüleri olarak saklanan 17 eklem türü kullanır.
• 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.
• İndirme boyutu: İlk kullanımda ~20,2 GB (train2017.zip + val2017.zip + etiketler). 7 GB boyutundaki test2017.zip otomatik olarak indirimez; çünkü bu görsellerin gerçek değerleri (ground truth) gizlenmiştir ve yalnızca test-dev2017 gönderimi için gereklidir.

Veri Kümesi Yapısı#

Eğitim ve doğrulama için COCO-Pose, yalnızca anahtar nokta etiketli kişilerin bulunduğu COCO 2017 görsellerini içerir, bu nedenle etiketli bölümleri tam COCO'dan daha küçüktür. YAML dosyası üç alt küme tanımlar:

1. Train2017: Bu alt küme, poz kestirimi modellerinin eğitimi için etiketlenmiş, COCO veri setinden 56.599 görsel içerir.
2. Val2017: Bu alt küme, model eğitimi sırasında doğrulama amacıyla kullanılan 2.346 görsel içerir.
3. Test-dev2017: Gerçek verileri gizli tutulan, toplam 40.670 görsel içeren test2017 setinden 20.288 görsellikh bir alt küme. Veri seti YAML dosyası bu bölümü COCO test-dev eklem değerlendirme sunucusuna bağlar.

Bu ölçekte eğitim, Ultralytics Platform programının en çok yardımcı olduğu yerdir; kendi GPU'larınızı tedarik etmeden çalıştırmaları başlatabilmeniz ve izleyebilmeniz için hesaplama gücünü yönetir.

Uygulamalar#

COCO-Pose veri seti, özellikle derin öğrenme modellerini eklem tespiti ve poz tahmini konusunda eğitmek ve değerlendirmek için kullanılır. Veri setinin çok sayıdaki etiketlenmiş görseli ve standartlaştırılmış değerlendirme metrikleri, insan pozu üzerine çalışan bilgisayarla görü araştırmacıları ve uygulayıcıları için burayı vazgeçilmez bir kaynak haline getirir.

Veri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Veri setinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO-Pose veri seti söz konusu olduğunda, coco-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml adresinde barındırılır.

# 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 (20.2 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 (test2017.zip excluded: ground truth is withheld, only used for the CodaLab test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Kullanım#

640 görsel boyutuyla 100 dönem boyunca COCO-Pose veri seti üzerinde bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için modelin Eğitim sayfasına bak.

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)

Örnek 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.

Alıntılar 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}
}

Bilgisayarla görü topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için COCO Konsorsiyumu'na teşekkür ederiz. COCO-Pose veri seti ve oluşturucuları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret et.

SSS#

COCO-Pose veri kümesi nedir ve duruş tahmini için Ultralytics YOLO ile nasıl kullanılır?#

COCO-Pose, 58.945 görsel üzerinde 17 eklem şeması kullanarak YOLO eklem formatına dönüştürülmüş COCO Keypoints 2017 görsellerini ve etiketlerini sağlar. data=coco-pose.yaml ile herhangi bir Ultralytics YOLO poz modelini buraya yönlendir; Eğitim sayfası oradan ayarlayabileceğin her argümanı belgeler.

COCO-Pose veri kümesi üzerinde nasıl YOLO26 modeli eğitebilirim?#

yolo26n-pose.pt yükle ve model.train(data="coco-pose.yaml", epochs=100, imgsz=640) çağrısı yap — tam Python ve CLI kod parçacıkları için yukarıdaki Eğitim Örneği kısmına ve argümanların kapsamlı bir listesi için eğitim sayfasına bak.

COCO-Pose veri kümesi tarafından model performansını değerlendirmek için sağlanan farklı metrikler nelerdir?#

COCO-Pose veri seti, orijinal COCO veri setine benzer şekilde poz tahmini görevleri için birkaç standartlaştırılmış değerlendirme metriği sağlar. Temel metrikler arasında, tahmin edilen eklemlerin gerçek etiketlere karşı doğruluğunu değerlendiren Nesne Eklem Benzerliği (OKS) yer alır. Bu metrikler, farklı modeller arasında kapsamlı performans karşılaştırmaları yapılmasına olanak tanır. Örneğin, YOLO26n-pose, YOLO26s-pose ve diğerleri gibi COCO-Pose önceden eğitilmiş modelleri, mAP^pose50-95 ve mAP^pose50 gibi belgelendirilmiş belirli performans metriklerine sahiptir.

COCO-Pose veri kümesi nasıl yapılandırılmış ve bölünmüştür?#

COCO-Pose, iki etiketli bölüm sunar: 56.599 train2017 görseli ve 2.346 val2017 görseli. Üçüncü bir bölüm olan test-dev2017 (toplam 40.670 test2017 görselinden 20.288'i), gerçek değerlerini gizli tutar; veri seti YAML dosyası bunu COCO test-dev anahtar noktaları değerlendirme sunucusuna bağlar. Tam bölüm yolları için Dataset Structure bölümüne veya GitHub üzerindeki coco-pose.yaml dosyasına göz at.

COCO-Pose veri kümesinin temel özellikleri ve uygulamaları nelerdir?#

COCO-Pose, 17 insan eklemi türü kullanır ve modelleri karşılaştırmak için Nesne Eklem Benzerliği (OKS) dahil olmak üzere COCO'nun standartlaştırılmış metriklerini devralır. Bu kombinasyon, spor analitiği, sağlık hizmetleri ve insan-bilgisayar etkileşimi gibi insan pozu uygulamalarına uygundur. Önceden eğitilmiş YOLO26-pose ağırlıkları COCO-Pose Önceden Eğitilmiş Modeller altında listelenmiştir.

Eklem modelleri hakkında daha fazla bilgi için Poz Tahmini görev belgelerine göz at.