COCO8-Pose Veri Kümesi#

Giriş#

Ultralytics COCO8-Pose, COCO train 2017 setinin ilk 8 görüntüsünden (4'ü eğitim, 4'ü doğrulama için) oluşan ve tek bir "person" sınıfı için 17 anahtar nokta (keypoint) şeması kullanan küçük ama çok yönlü bir poz kestirimi veri kümesidir. Bu veri kümesi, pose estimation modellerini test etmek ve hata ayıklamak ya da yeni anahtar nokta tespiti yaklaşımlarını denemek için idealdir. 8 görüntüyle, kolayca yönetilebilecek kadar küçük, ancak eğitim boru hatlarını (pipelines) hatalara karşı test etmek ve tam COCO-Pose veri kümesinde eğitim yapmadan önce bir akıl sağlığı kontrolü (sanity check) görevi görecek kadar çeşitlilik barındırır.

Veri 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}, YOLO formatındaki anahtar noktaların .txt dosyaları olarak depolandığı şekildedir.

Her görüntüyü anahtar nokta iskeletleriyle incelemek, Charts sekmesinde anahtar nokta ve sınıf dağılımlarını görmek ve bulutta kendi modelini eğitmek üzere klonlamak için COCO8-Pose on Ultralytics Platform adresini keşfet.

Veri Kümesi YAML#

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

# 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 boyutuyla 100 epochs boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına göz at.

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 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.

Alıntılar 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 oluşturan ve sürdüren COCO Konsorsiyumu'na teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

SSS#