Link to this sectionCOCO-Pose Veri Kümesi#

COCO-Pose veri seti, COCO (Common Objects in Context) veri setini pose estimation (poz kestirimi) için uyarlar: COCO Keypoints 2017'den 17 anahtar noktalı bir şema kullanılarak 156.165 kişiyle etiketlenmiş 58.945 görsel. Bu veri seti, Ultralytics YOLO26 gibi anahtar nokta modellerini eğitmek ve kıyaslamak için standart bir settir ve 8 görselden oluşan COCO8-Pose alt kümesi, hızlı testler için bu formatı yansıtır.

Link to this sectionCOCO-Pose Önceden Eğitilmiş Modelleri#

Link to this sectionTemel Özellikler#

• COCO-Pose, 156.165 etiketli kişide 1.710.498 bireysel anahtar noktayı etiketleyen COCO Keypoints 2017 yarışmasını temel alır.
• Her kişi etiketlemesi; burun, gözler, kulaklar, omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri olmak üzere 17 anahtar nokta türü kullanır ve bunlar (x, y, visibility) üçlüleri olarak depolanır.
• 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'lık test2017.zip dosyası otomatik olarak getirilmez, çünkü bu görsellerin yer doğruluk verileri gizlidir ve yalnızca test-dev2017 gönderimi için gereklidir.

Link to this sectionVeri 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: Tam 40.670 görselden oluşan test2017 setinin, yerleşik ground truth (temel doğruluk) verileri gizli tutulan 20.288 görselden oluşan bir alt kümesidir. Veri seti YAML dosyası, bu bölümü COCO test-dev keypoints evaluation server sunucusuna bağlar.

Bu ölçekte eğitim, Ultralytics Platform'un en çok yardımcı olduğu yerdir; hesaplama işlemlerini yönetir, böylece kendi GPU'larını hazırlamak zorunda kalmadan çalıştırmaları başlatabilir ve izleyebilirsin.

Link to this sectionUygulamalar#

The COCO-Pose dataset is specifically used for training and evaluating deep learning models on keypoint detection and pose estimation. The dataset's large number of annotated images and standardized evaluation metrics make it an essential resource for computer vision researchers and practitioners working on human pose.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler 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 tutulmaktadır.

# 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)

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?#

COCO-Pose, 58.945 görselde 17 anahtar noktalı bir şema kullanarak YOLO anahtar nokta formatına dönüştürülmüş COCO Keypoints 2017 görsellerini ve etiketlerini sağlar. Herhangi bir Ultralytics YOLO poz modelini data=coco-pose.yaml ile bu veri setine yönlendirirsen, Training sayfası buradan ayarlayabileceğin her argümanı belgeler.

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

yolo26n-pose.pt dosyasını yükle ve model.train(data="coco-pose.yaml", epochs=100, imgsz=640) komutunu çağır — Python ve CLI parçalarının tamamı için yukarıdaki Train Example bölümüne ve kapsamlı argüman listesi için training page sayfasına bak.

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 ships two labeled splits: 56,599 train2017 images and 2,346 val2017 images. A third split, test-dev2017 (20,288 of the full 40,670 test2017 images), keeps its ground truth private; the dataset YAML links it to the COCO test-dev keypoints evaluation server. See the Dataset Structure section, or the coco-pose.yaml file on GitHub for the exact split paths.

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

COCO-Pose 17 insan anahtar nokta türü kullanır ve modelleri karşılaştırmak için Object Keypoint Similarity (OKS) dahil olmak üzere COCO'nun standardize edilmiş metriklerini miras alır. Bu kombinasyon; spor analitiği, sağlık hizmetleri ve insan-bilgisayar etkileşimi gibi insan pozu uygulamaları için uygundur. Önceden eğitilmiş YOLO26-pose ağırlıkları, COCO-Pose Pretrained Models başlığı altında listelenmiştir.

Anahtar nokta modelleri hakkında daha fazla bilgi için Pose Estimation görev belgelerine bak.