COCO8-Pose Veri Kümesi

Giriş

Ultralytics COCO8-Pose, COCO train 2017 setinin ilk 8 görüntüsünden oluşan, 4 tanesi eğitim ve 4 tanesi doğrulama için kullanılan küçük ama çok yönlü bir poz algılama veri kümesidir. Bu veri kümesi, nesne algılama modellerini test etmek ve hatalarını ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 8 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak yine de eğitim süreçlerini hatalara karşı test etmek ve daha büyük veri kümeleriyle eğitime başlamadan önce bir doğrulama kontrolü yapmak için yeterince çeşitlilik sunar.

Veri Kümesi Yapısı

• Toplam görüntü sayısı: 8 (4 eğitim / 4 doğrulama).
• Sınıflar: 1 (kişi) ve açıklama başına 17 anahtar nokta (keypoint).
• Recommended directory layout: datasets/coco8-pose/images/{train,val} and datasets/coco8-pose/labels/{train,val} with YOLO-format keypoints stored as .txt files.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için tasarlanmıştır.

Veri Kümesi YAML Dosyası

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında veriler içerir. COCO8-Pose veri kümesi söz konusu olduğunda, coco8-pose.yaml dosyası şu adreste tutulmaktadır: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

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

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← downloads here (1 MB)

# 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: coco8-pose # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Kullanım

COCO8-Pose veri kümesi üzerinde 640 görüntü boyutu ile 100 epoch boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların 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="coco8-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar

İşte COCO8-Pose veri kümesindeki görüntülerden bazı örnekler ve bunlara karşılık gelen açıklamalar:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti 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 yeteneğini geliştirmeye yardımcı olur.

Bu örnek, COCO8-Pose veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme (mosaicing) kullanmanın avantajlarını sergilemektedir.

Alıntılar ve Teşekkür

Araştırma veya geliştirme çalışmalarında COCO veri setini kullanırsan, 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}
}

COCO Konsorsiyumu'na, bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

SSS

COCO8-Pose veri kümesi nedir ve Ultralytics YOLO26 ile nasıl kullanılır?

COCO8-Pose veri kümesi, COCO train 2017 setinden alınan ilk 8 görüntüyü içeren (4'ü eğitim, 4'ü doğrulama için), küçük ve çok yönlü bir poz algılama veri kümesidir. Nesne algılama modellerini test etmek, hatalarını ayıklamak ve yeni algılama yaklaşımlarını denemek için tasarlanmıştır. Bu veri kümesi, Ultralytics YOLO26 ile hızlı denemeler yapmak için idealdir. Veri kümesi yapılandırması hakkında daha fazla ayrıntı için veri kümesi YAML dosyasına göz atabilirsin.

Ultralytics içinde COCO8-Pose veri kümesini kullanarak nasıl YOLO26 modeli eğitirim?

COCO8-Pose veri kümesi üzerinde 100 epoch boyunca 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için şu örnekleri takip et:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Eğitim argümanlarının kapsamlı bir listesi için model Eğitim sayfasına başvurabilirsin.

COCO8-Pose veri kümesini kullanmanın faydaları nelerdir?

COCO8-Pose veri kümesi birkaç fayda sağlar:

• Kompakt Boyut: Sadece 8 görüntüyle yönetimi kolaydır ve hızlı denemeler için mükemmeldir.
• Çeşitli Veri: Küçük boyutuna rağmen, kapsamlı bir işlem hattı testi için yararlı olan çeşitli sahneler içerir.
• Hata Ayıklama: Eğitim hatalarını belirlemek ve daha büyük veri kümelerine ölçeklendirmeden önce doğrulama kontrolleri yapmak için idealdir.

Özellikleri ve kullanımı hakkında daha fazla bilgi için Veri Kümesi Giriş bölümüne bakabilirsin.

Mozaikleme (mosaicing), COCO8-Pose veri kümesini kullanarak YOLO26 eğitim sürecine nasıl fayda sağlar?

COCO8-Pose veri kümesinin örnek görüntülerinde gösterilen mozaikleme, birden fazla görüntüyü birleştirerek her eğitim grubundaki nesne ve sahne çeşitliliğini artırır. Bu teknik, modelin çeşitli nesne boyutları, en-boy oranları ve bağlamlar arasında genelleme yapma yeteneğini geliştirmeye yardımcı olur ve sonuçta model performansını artırır. Örnek görüntüler için Örnek Görüntüler ve Açıklamalar bölümüne bakabilirsin.

COCO8-Pose veri kümesi YAML dosyasını nerede bulabilirim ve onu nasıl kullanabilirim?

COCO8-Pose veri kümesi YAML dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml adresinden ulaşabilirsin. Bu dosya, yollar, sınıflar ve diğer ilgili bilgiler dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Bu dosyayı, Eğitim Örneği bölümünde belirtildiği gibi YOLO26 eğitim betikleriyle birlikte kullanabilirsin.

Daha fazla SSS ve ayrıntılı dokümantasyon için Ultralytics Dokümantasyon sayfasını ziyaret et.