COCO8-Pose Veri Kümesi
Giriş
Ultralytics COCO8-Pose, COCO train 2017 setinin ilk 8 görüntüsünden (4'ü eğitim, 4'ü doğrulama için) oluşan 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 daha büyük veri kümelerini eğitmeden önce hatalara karşı eğitim ardışık düzenlerini test etmek ve bir sağlamlık kontrolü görevi görmek için yeterince çeşitlidir.
Veri Seti Yapısı
- Toplam resim sayısı: 8 (4 eğitim / 4 doğrulama).
- Sınıflar: Ek açıklama başına 17 anahtar noktası olan 1 (kişi).
- Önerilen dizin düzeni:
datasets/coco8-pose/images/{train,val}vedatasets/coco8-pose/labels/{train,val}YOLO formatında saklanan anahtar noktaları ile.txtdosyalar.
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanılmak üzere tasarlanmıştır.
Veri Seti YAML
Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO8-Pose veri kümesi örneğinde, coco8-pose.yaml dosyası şu adreste tutulur: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.
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 100 epok boyunca 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakınız.
Eğitim Örneği
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)
# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
İşte COCO8-Pose veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamaları:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini artırmak için birden çok görüntüyü tek bir görüntüde birleştiren eğitim sırasında kullanılan 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 ve eğitim sürecinde mozaiklemenin kullanımının faydalarını sergilemektedir.
Alıntılar ve Teşekkürler
Araştırma veya geliştirme çalışmalarınızda COCO veri kümesini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@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}
}
Bilgisayar görüşü topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için COCO Konsorsiyumu'na teşekkür etmek isteriz. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edin.
SSS
COCO8-Pose veri kümesi nedir ve Ultralytics YOLO26 ile nasıl kullanılır?
COCO8-Pose veri kümesi, COCO train 2017 setinden ilk 8 görüntüyü içeren, 4'ü eğitim ve 4'ü doğrulama için olmak üzere küçük, çok yönlü bir poz algılama veri kümesidir. Nesne algılama modellerini test etmek, hata ayıklamak ve yeni algılama yaklaşımlarını denemek için tasarlanmıştır. Bu veri kümesi, Ultralytics YOLO26 ile hızlı deneyler için idealdir. Veri kümesi yapılandırması hakkında daha fazla ayrıntı için veri kümesi yaml dosyasını inceleyin.
Ultralytics'te COCO8-Pose veri kümesini kullanarak bir YOLO26 modelini nasıl eğitebilirim?
COCO8-Pose veri kümesi üzerinde 100 epok boyunca 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için şu örnekleri takip edin:
Eğitim Örneği
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)
yolo pose train data=coco8-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640
Eğitim argümanlarının kapsamlı bir listesi için model Eğitim sayfasına bakın.
COCO8-Pose veri kümesini kullanmanın faydaları nelerdir?
COCO8-Pose veri kümesi çeşitli avantajlar sunar:
- Kompakt Boyut: Yalnızca 8 resimle, yönetimi kolaydır ve hızlı deneyler için mükemmeldir.
- Çeşitli Veriler: Küçük boyutuna rağmen, kapsamlı ardışık düzen testi için yararlı olan çeşitli sahneler içerir.
- Hata Ayıklama: Eğitim hatalarını belirlemek ve daha büyük veri kümelerine ölçeklendirmeden önce akıl sağlığı kontrolleri yapmak için idealdir.
Özellikleri ve kullanımı hakkında daha fazla bilgi için Veri Kümesi Tanıtımı bölümüne bakın.
Mozaikleme, COCO8-Pose veri kümesini kullanarak YOLO26 eğitim sürecine nasıl fayda sağlar?
COCO8-Pose veri kümesinin sample_images'ında gösterilen mozaikleme, birden fazla görüntüyü tek bir görüntüde birleştirerek her bir eğitim toplu işlemindeki nesnelerin ve sahnelerin çeşitliliğini artırır. Bu teknik, modelin çeşitli nesne boyutları, en boy oranları ve bağlamlarda genelleme yeteneğini geliştirmeye yardımcı olur ve sonuç olarak model performansını artırır. Örnek resimler için Örnek Resimler ve Açıklamalar bölümüne bakın.
COCO8-Pose veri kümesi YAML dosyasını nerede bulabilirim ve nasıl kullanırım?
COCO8-Pose veri kümesi yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml adresinde bulunabilir. 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 kullanın.
Daha fazla SSS ve ayrıntılı dokümantasyon için Ultralytics Dokümantasyonunu ziyaret edin.
