Link to this sectionCOCO8-Pose Veri Kümesi#

Link to this sectionGiriş#

Ultralytics COCO8-Pose, tek bir "person" (kişi) sınıfı için 17 anahtar nokta şeması kullanan, COCO train 2017 kümesinin ilk 8 görüntüsünden (4'ü eğitim, 4'ü doğrulama için) oluşan küçük ancak çok yönlü bir poz kestirim veri kümesidir. Bu veri kümesi, poz kestirimi modellerini test etmek ve hatalarını ayıklamak ya da yeni anahtar nokta algılama yaklaşımlarıyla denemeler yapmak için idealdir. 8 görüntü ile yönetilmesi kolay olacak kadar küçük, ancak eğitim işlem hatlarını hatalara karşı test etmek ve tam COCO-Pose veri kümesinde eğitim yapmadan önce bir doğrulama kontrolü görevi görmek için yeterince çeşitlidir.

Link to this sectionVeri Kümesi Yapısı#

• Toplam görüntü: 8 (4 eğitim / 4 doğrulama).
• Sınıflar: Ek açıklama (annotation) başına 17 anahtar nokta türü ile 1 (person - kişi).
• İndirme boyutu: ~1 MB.
• Önerilen dizin düzeni: datasets/coco8-pose/images/{train,val} ve datasets/coco8-pose/labels/{train,val} olup YOLO formatındaki anahtar noktalar .txt dosyaları olarak saklanır.

Her görüntüyü anahtar nokta iskeletleriyle incelemek, Charts sekmesinde anahtar nokta ve sınıf dağılımlarını görüntülemek ve kendi modelini bulutta eğitmek üzere klonlamak için COCO8-Pose on Ultralytics Platform bağlantısına göz at.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya; veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında ayrıntılar içerir. COCO8-Pose veri kümesi söz konusu olduğunda, coco8-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml adresinde tutulmaktadır.

# 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

Link to this sectionKullanım#

COCO8-Pose veri kümesi üzerinde 100 epoch boyunca 640 görüntü boyutuyla 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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

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

• 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.

Link to this sectionAlıntılar ve Teşekkür#

COCO veri setini 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 korudukları için COCO Konsorsiyumu'na teşekkür ederiz. COCO veri seti ve oluşturucuları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionCOCO8-Pose veri kümesi nedir ve Ultralytics YOLO26 ile nasıl kullanılır?#

COCO8-Pose veri kümesi, 4'ü eğitim ve 4'ü doğrulama için olmak üzere COCO train 2017 kümesinden ilk 8 görüntüyü içeren küçük, çok yönlü bir poz kestirim veri kümesidir. Poz kestirim modellerini test etmek, hatalarını ayıklamak ve yeni anahtar nokta algılama yaklaşımlarıyla denemeler yapmak için tasarlanmıştır. Bu veri kümesi, Ultralytics YOLO26 ile hızlı denemeler yapmak için idealdir. Veri kümesi yapılandırması hakkında daha fazla ayrıntı için dataset YAML file dosyasına göz at.

Link to this sectionUltralytics içinde COCO8-Pose veri kümesini kullanarak nasıl YOLO26 modeli eğitirim?#

yolo26n-pose.pt modelini yükle ve model.train(data="coco8-pose.yaml", epochs=100, imgsz=640) komutunu çağır; tam Python ve CLI kod parçacıkları için yukarıdaki Train Example bölümüne ve kapsamlı bir bağımsız değişken listesi için model Training sayfasına bak.

Link to this sectionCOCO8-Pose veri kümesini kullanmanın faydaları nelerdir?#

Toplam 8 görüntü (4 eğitim / 4 doğrulama), 1 sınıf, 17 anahtar noktalı bir şema ve ~1 MB indirme boyutuyla COCO8-Pose, saniyeler içinde yönetilebilecek kadar küçük, ancak tam COCO-Pose veri kümesine ölçeklendirmeden önce bir poz eğitimi işlem hattını hatalara karşı doğrulamak için yeterince çeşitlidir. Özellikleri ve kullanımı hakkında daha fazla bilgi için Dataset Introduction bölümüne bak.

Link to this sectionMozaikleme, COCO8-Pose veri kümesini kullanarak YOLO26 eğitim sürecine nasıl fayda sağlar?#

Mozaikleme (Mosaicing), birden fazla görüntüyü birleştirerek her eğitim grubundaki nesne ve sahne çeşitliliğini artırır, bu da modelin nesne boyutları, en-boy oranları ve bağlamlar arasında genelleme yapmasına yardımcı olur. Bir örnek için Sample Images and Annotations bölümüne bak.

Link to this sectionCOCO8-Pose veri kümesi YAML dosyasını nerede bulabilirim ve nasıl kullanırım?#

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 kullan.

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