Meet YOLO26: next-gen vision AI.

Link to this sectionÖrnek Bölütleme Veri Kümelerine Genel Bakış#

Örnek bölütleme, bir görüntü içindeki bireysel nesnelerin tanımlanmasını ve sınırlarının belirlenmesini içeren bir bilgisayarlı görü görevidir. Bu kılavuz, Ultralytics YOLO tarafından örnek bölütleme görevleri için desteklenen veri kümesi biçimlerine genel bir bakış sunar ve bu veri kümelerini modellerini eğitmek için nasıl hazırlayacağın, dönüştüreceğin ve kullanacağın konusunda talimatlar içerir.

Link to this sectionDesteklenen Veri Kümesi Biçimleri#

Link to this sectionUltralytics YOLO biçimi#

YOLO bölütleme modellerini eğitmek için kullanılan veri kümesi etiket biçimi şu şekildedir:

  1. Her görüntü için bir metin dosyası: Veri kümesindeki her görüntünün, görüntü dosyasıyla aynı ada ve ".txt" uzantısına sahip karşılık gelen bir metin dosyası bulunur.
  2. Nesne başına bir satır: Metin dosyasındaki her satır, görüntüdeki bir nesne örneğine karşılık gelir.
  3. Satır başına nesne bilgisi: Her satır, nesne örneği hakkında aşağıdaki bilgileri içerir:
    • Nesne sınıfı dizini: Nesnenin sınıfını temsil eden bir tam sayı (örneğin, kişi için 0, araba için 1 vb.).
    • Nesne sınırlayıcı koordinatları: Maske alanı etrafındaki, 0 ile 1 arasında olacak şekilde normalleştirilmiş sınırlayıcı koordinatlar.

Bölütleme veri kümesi dosyasındaki tek bir satırın biçimi şu şekildedir:

<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>

Bu biçimde, <class-index> nesnenin sınıf dizinidir ve <x1> <y1> <x2> <y2> ... <xn> <yn> nesnenin bölütleme maskesinin normalleştirilmiş çokgen koordinatlarıdır (değerler, görüntü genişliği ve yüksekliğine göre [0, 1] aralığındadır). Koordinatlar boşluklarla ayrılır.

İşte 3 noktalı bir segment ve 5 noktalı bir segmentten oluşan iki nesneli tek bir görüntü için YOLO veri kümesi biçimi örneği.

0 0.681 0.485 0.670 0.487 0.676 0.487
1 0.504 0.000 0.501 0.004 0.498 0.004 0.493 0.010 0.492 0.0104
İpucu
  • Her satırın uzunluğunun eşit olması gerekmez.
  • Her bölütleme etiketi en az 3 (x, y) noktasına sahip olmalıdır: <class-index> <x1> <y1> <x2> <y2> <x3> <y3>

Link to this sectionVeri Kümesi YAML biçimi#

Ultralytics çerçevesi, Bölütleme Modellerini eğitmek için veri kümesini ve model yapılandırmasını tanımlamak amacıyla bir YAML dosya biçimi kullanır. İşte bir bölütleme veri kümesini tanımlamak için kullanılan YAML biçimine bir örnek:

ultralytics/cfg/datasets/coco8-seg.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

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

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip

train ve val alanları, sırasıyla eğitim ve doğrulama görüntülerini içeren dizinlere giden yolları belirtir.

names sınıf adlarının bir sözlüğüdür. Adların sırası, YOLO veri kümesi dosyalarındaki nesne sınıfı dizinlerinin sırasıyla eşleşmelidir.

Link to this sectionKullanım#

Örnek
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

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

Link to this sectionDesteklenen Veri Kümeleri#

Ultralytics YOLO, örnek bölütleme görevleri için çeşitli veri kümelerini destekler. İşte en sık kullanılanların bir listesi:

  • Carparts-seg: Otomotiv uygulamaları için ideal olan, araba parçalarının bölütlenmesine odaklanan uzmanlaşmış bir veri kümesi. Bireysel araç bileşenlerinin ayrıntılı açıklamalarını içeren çeşitli araçları kapsar.
  • COCO: 200 binden fazla etiketli görüntü içeren ve çok çeşitli kategorileri kapsayan, nesne tespiti, bölütleme ve altyazı oluşturma için kapsamlı bir veri kümesi.
  • COCO8-seg: ultralytics deposundaki CI kontrolleri ve iş akışı doğrulaması için ideal olan, bölütleme modeli eğitimini hızlıca test etmek amacıyla tasarlanmış 8 görüntülük kompakt bir COCO alt kümesi.
  • COCO128-seg: Bölütleme açıklamalarıyla birlikte 128 COCO görüntüsü alt kümesini içeren, örnek bölütleme görevleri için daha küçük bir veri kümesi.
  • Crack-seg: Çeşitli yüzeylerdeki çatlakların bölütlenmesi için tasarlanmış bir veri kümesi. Altyapı bakımı ve kalite kontrolü için önemlidir; yapısal zayıflıkları belirlemek amacıyla modelleri eğitmek için ayrıntılı görüntüler sağlar.
  • Package-seg: Farklı paketleme malzemeleri ve şekillerinin bölütlenmesine adanmış bir veri kümesi. Lojistik ve depo otomasyonu için özellikle yararlıdır; paket taşıma ve ayıklama sistemlerinin geliştirilmesine yardımcı olur.

Link to this sectionKendi veri kümeni ekleme#

Kendi veri kümen varsa ve bunu Ultralytics YOLO biçimi ile bölütleme modellerini eğitmek için kullanmak istiyorsan, yukarıdaki "Ultralytics YOLO biçimi" başlığı altında belirtilen biçime uyduğundan emin ol. Açıklamalarını gerekli biçime dönüştür ve YAML yapılandırma dosyasında yolları, sınıf sayısını ve sınıf adlarını belirt. images/ ve labels/ klasörlerini aynı seviyede, eşleşen alt klasör yapısıyla ayrı klasörler olarak tut; etiket .txt dosyalarını görüntü klasörüne yerleştirmek modelin etiketleri kaçırmasına neden olabilir.

Link to this sectionEtiket Biçimlerini Taşıma veya Dönüştürme#

Link to this sectionCOCO Veri Kümesi Biçiminden YOLO Biçimine#

Aşağıdaki kod parçacığını kullanarak etiketleri popüler COCO veri kümesi biçiminden YOLO biçimine kolayca dönüştürebilirsin:

Örnek
from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_segments=True)

Bu dönüştürme aracı, COCO veri kümesini veya COCO biçimindeki herhangi bir veri kümesini Ultralytics YOLO biçimine dönüştürmek için kullanılabilir.

Kullanmak istediğin veri kümesinin modelinle uyumlu olup olmadığını ve gerekli biçim kurallarına uyup uymadığını kontrol etmeyi unutma. Düzgün biçimlendirilmiş veri kümeleri, başarılı bölütleme modelleri eğitmek için çok önemlidir.

Link to this sectionOtomatik Etiketleme#

Otomatik etiketleme, önceden eğitilmiş bir tespit modeli kullanarak bir bölütleme veri kümesi oluşturmanı sağlayan temel bir özelliktir. Manuel etiketlemeye gerek kalmadan çok sayıda görüntüyü hızlı ve doğru bir şekilde etiketlemeni sağlayarak zamandan ve emekten tasarruf etmene yardımcı olur.

Link to this sectionBir Tespit Modeli Kullanarak Bölütleme Veri Kümesi Oluşturma#

Ultralytics çerçevesini kullanarak veri kümeni otomatik olarak etiketlemek için aşağıda gösterildiği gibi auto_annotate işlevini kullanabilirsin:

Örnek
from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="sam_b.pt")
ArgümanTürVarsayılanAçıklama
datastrgerekliEtiketleme veya segmentasyon için hedef görüntüleri içeren dizinin yolu.
det_modelstr'yolo26x.pt'İlk nesne tespiti için YOLO tespit modeli yolu.
sam_modelstr'sam_b.pt'Segmentasyon için SAM model yolu (SAM, SAM 2, MobileSAM ve SAM 3 ağırlıklarını destekler).
devicestr''Hesaplama cihazı (ör. 'cuda:0', 'cpu' veya otomatik cihaz tespiti için '').
conffloat0.25Zayıf tespitleri filtrelemek için YOLO tespit güven eşiği.
ioufloat0.45Çakışan kutuları filtrelemek için NMS (Non-Maximum Suppression) IoU eşiği.
imgszint640Görüntüleri yeniden boyutlandırmak için giriş boyutu (32'nin katı olmalıdır).
max_detint300Bellek verimliliği için görüntü başına maksimum tespit sayısı.
classeslist[int]NoneAlgılanacak sınıf indekslerinin listesi (örneğin, kişi ve bisiklet için [0, 1]).
output_dirstrNoneEk açıklamalar için kaydetme dizini (varsayılan: <data>_auto_annotate_labels kardeş dizini).

auto_annotate işlevi; görüntülerine giden yolun yanı sıra önceden eğitilmiş tespit modellerini (örneğin YOLO26, YOLO11 veya diğer modeller) ve bölütleme modellerini (örneğin SAM, SAM 2, MobileSAM veya SAM 3), modellerin çalıştırılacağı cihazı ve etiketlenmiş sonuçları kaydetmek için çıktı dizinini belirtmek üzere isteğe bağlı bağımsız değişkenleri alır.

Önceden eğitilmiş modellerin gücünden yararlanan otomatik etiketleme, yüksek kaliteli bölütleme veri kümeleri oluşturmak için gereken süreyi ve çabayı önemli ölçüde azaltabilir. Bu özellik, özellikle büyük görüntü koleksiyonlarıyla çalışan araştırmacılar ve geliştiriciler için yararlıdır, çünkü manuel etiketleme yerine model geliştirme ve değerlendirmeye odaklanmalarını sağlar.

Link to this sectionVeri Kümesi Etiketlerini Görselleştirme#

Modelini eğitmeden önce, veri kümesi etiketlerinin doğru olduğundan emin olmak için onları görselleştirmek genellikle faydalıdır. Ultralytics bu amaç için bir yardımcı işlev sağlar:

from ultralytics.data.utils import visualize_image_annotations

label_map = {  # Define the label map with all annotated class labels.
    0: "person",
    1: "car",
}

# Visualize
visualize_image_annotations(
    "path/to/image.jpg",  # Input image path.
    "path/to/annotations.txt",  # Annotation file path for the image.
    label_map,
)

Bu işlev sınırlayıcı kutular çizer, nesneleri sınıf adlarıyla etiketler ve metin rengini daha iyi okunabilirlik için ayarlar; böylece eğitim öncesinde etiketleme hatalarını tanımlamana ve düzeltmene yardımcı olur.

Link to this sectionBölütleme Maskelerini YOLO Biçimine Dönüştürme#

Eğer ikili (binary) biçimde bölütleme maskelerin varsa, bunları kullanarak YOLO bölütleme biçimine dönüştürebilirsin:

from ultralytics.data.converter import convert_segment_masks_to_yolo_seg

# For datasets like COCO with 80 classes
convert_segment_masks_to_yolo_seg(masks_dir="path/to/masks_dir", output_dir="path/to/output_dir", classes=80)

Bu yardımcı araç, ikili maske görüntülerini YOLO bölütleme biçimine dönüştürür ve bunları belirtilen çıktı dizinine kaydeder.

Link to this sectionSSS#

Link to this sectionUltralytics YOLO, örnek bölütleme için hangi veri kümesi biçimlerini destekler?#

Ultralytics YOLO, örnek bölütleme için birkaç veri kümesi biçimini destekler; birincil biçim kendi Ultralytics YOLO biçimidir. Veri kümendeki her görüntünün, sınıf dizinini ve normalleştirilmiş sınırlayıcı koordinatları listeleyen (nesne başına bir satır), birden fazla satıra bölünmüş nesne bilgileri içeren karşılık gelen bir metin dosyasına ihtiyacı vardır. YOLO veri kümesi biçimi hakkında daha ayrıntılı talimatlar için Örnek Bölütleme Veri Kümelerine Genel Bakış bölümünü ziyaret et.

Link to this sectionCOCO veri kümesi etiketlerini YOLO biçimine nasıl dönüştürebilirim?#

Converting COCO format annotations to YOLO format is straightforward using Ultralytics tools. You can use the convert_coco function from the ultralytics.data.converter module:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_segments=True)

Bu betik, COCO veri kümesi etiketlerini gerekli YOLO biçimine dönüştürerek YOLO modellerini eğitmen için uygun hale getirir. Daha fazla ayrıntı için Etiket Biçimlerini Taşıma veya Dönüştürme bölümüne başvur.

Link to this sectionUltralytics YOLO modellerini eğitmek için nasıl YAML dosyası hazırlayabilirim?#

Ultralytics ile YOLO modellerini eğitmek için bir YAML dosyası hazırlamak adına veri kümesi yollarını ve sınıf adlarını tanımlaman gerekir. İşte bir YAML yapılandırması örneği:

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

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

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip

Yolları ve sınıf adlarını veri kümene göre güncellediğinden emin ol. Daha fazla bilgi için Veri Kümesi YAML Biçimi bölümüne göz at.

Link to this sectionUltralytics YOLO'daki otomatik etiketleme özelliği nedir?#

Ultralytics YOLO'daki otomatik etiketleme, önceden eğitilmiş bir tespit modeli kullanarak veri kümen için bölütleme etiketleri oluşturmanı sağlar. Bu, manuel etiketleme ihtiyacını önemli ölçüde azaltır. auto_annotate işlevini şu şekilde kullanabilirsin:

from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="sam_b.pt")  # or sam_model="mobile_sam.pt"

Bu işlev, etiketleme sürecini otomatikleştirerek daha hızlı ve verimli hale getirir. Daha fazla ayrıntı için Otomatik Etiketleme Başvurusu bölümünü keşfet.

Katkıda Bulunanlar
GLglenn-jocher20JKjk4e3RAraimbekovm2SHshawnpavey1PDpderrenger1FCfcakyon1LALaughing-q1Y-Y-T-G1RIRizwanMunawar1MAMatthewNoyce1BUBurhan-Q1

Yorumlar