Örnek Segmentasyonu Veri Kümelerine Genel Bakış#

Örnek segmentasyonu, görüntü içindeki nesneleri ayrı ayrı tanımlayıp sınırlarını belirlemeyi içeren bir bilgisayarlı görü görevidir. Bu kılavuzda, örnek segmentasyonu görevlerinde Ultralytics YOLO tarafından desteklenen veri kümesi biçimlerine genel bir bakışın yanı sıra modellerini eğitmek için bu veri kümelerini hazırlama, dönüştürme ve kullanma talimatları sunuluyor.

Desteklenen Veri Kümesi Biçimleri#

Ultralytics YOLO biçimi#

YOLO segmentasyon modellerini eğitmek için kullanılan veri kümesi etiket biçimi şöyledir:

1. Görüntü başına bir metin dosyası: Veri kümesindeki her görüntünün, görüntü dosyasıyla aynı ada ve ".txt" uzantısına sahip bir metin dosyası vardır.
2. Nesne başına bir satır: Metin dosyasındaki her satır, görüntüdeki bir nesne örneğine karşılık gelir.
3. Her satırda nesne bilgileri: Her satır, nesne örneği hakkında aşağıdaki bilgileri içerir:
   • Nesne sınıfı indeksi: Nesnenin sınıfını belirten bir tam sayı (ör. kişi için 0, araba için 1 vb.).
   • Nesne çokgen koordinatları: Nesnenin maskesinin sınırlarını belirten, 0 ile 1 arasında normalize edilmiş (x, y) noktaları.

Segmentasyon veri kümesi dosyasındaki tek bir satırın biçimi şöyledir:

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

Bu biçimde <class-index>, nesnenin sınıf indeksidir; <x1> <y1> <x2> <y2> ... <xn> <yn> ise nesnenin segmentasyon maskesine ait normalize edilmiş 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 nesne içeren 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

Veri kümesi YAML biçimi#

Ultralytics framework'ü, Segmentasyon Modellerini eğitmek için veri kümesini ve model yapılandırmasını tanımlamak üzere YAML dosya biçimini kullanır. Segmentasyon veri kümesi tanımlamak için kullanılan YAML biçimine bir örnek:

# 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, val ve test alanları eğitim, doğrulama ve test görüntülerinin konumunu belirtir. Her biri bir dizin, dizin listesi veya her satırda bir görüntü yolu bulunan bir *.txt dosyası kabul eder ( ./ ile başlayan yollar *.txt dosyasına göre çözümlenir). Bir *.txt dosyası; bir dizinin alt kümesiyle eğitim yapmak, etiketsiz görüntüleri atlamak veya birden çok kaynaktaki görüntüleri tek bir bölmede birleştirmek için kullanışlıdır.

path: datasets/coco8-seg # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: person

names, sınıf adlarından oluşan bir sözlüktür. Adların sırası, YOLO veri kümesi dosyalarındaki nesne sınıfı indekslerinin sırasıyla eşleşmelidir.

Kullanım#

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-seg.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

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

Desteklenen Veri Kümeleri#

Ultralytics YOLO, örnek segmentasyonu görevleri için çeşitli veri kümelerini destekler. En sık kullanılanların listesi aşağıdadır. Bu veri kümelerinin çoğu, görüntülere ve açıklamalara göz atabileceğin, veri kümesi istatistiklerini görüntüleyebileceğin ve bulut üzerinde eğitim için klonlayabileceğin Ultralytics Platform üzerinde de barındırılır.

• Carparts-seg: Otomotiv uygulamaları için ideal olan, otomobil parçalarının segmentasyonuna odaklanmış özel bir veri kümesidir. Tek tek araç bileşenlerine ilişkin ayrıntılı açıklamalarla çeşitli araçları içerir.
• COCO: Geniş bir kategori yelpazesinde 200 binden fazla etiketli görüntü içeren, nesne algılama, segmentasyon ve altyazı oluşturma için kapsamlı bir veri kümesidir.
• COCO8-seg: Segmentasyon modeli eğitimini hızlıca test etmek için tasarlanmış, COCO'nun 8 görüntülük kompakt bir alt kümesidir. ultralytics deposundaki CI kontrolleri ve iş akışı doğrulaması için idealdir.
• COCO128-seg: Örnek segmentasyonu görevleri için segmentasyon açıklamaları içeren 128 COCO görüntüsünden oluşan daha küçük bir veri kümesidir.
• Crack-seg: Çeşitli yüzeylerdeki çatlakların segmentasyonu için özel olarak hazırlanmış bir veri kümesidir. Altyapı bakımı ve kalite kontrol için önemli olan bu veri kümesi, yapısal zayıflıkları belirlemek üzere modelleri eğitmeye yönelik ayrıntılı görüntüler sağlar.
• Package-seg: Farklı ambalaj malzemelerinin ve şekillerinin segmentasyonuna yönelik bir veri kümesidir. Özellikle lojistik ve depo otomasyonu için kullanışlıdır; paketlerin taşınması ve sınıflandırılmasına yönelik sistemlerin geliştirilmesine yardımcı olur.

Kendi veri kümeni ekleme#

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

Etiket Biçimlerini Taşıma veya Dönüştürme#

COCO Veri Kümesi Biçiminden YOLO Biçimine#

Aşağıdaki kod parçasını kullanarak popüler COCO veri kümesi biçimindeki etiketleri kolayca YOLO biçimine dönüştürebilirsin:

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 mutlaka kontrol et. Başarılı segmentasyon modelleri eğitmek için veri kümelerinin doğru biçimlendirilmesi çok önemlidir.

Otomatik etiketleme#

Otomatik etiketleme, önceden eğitilmiş bir algılama modeli kullanarak segmentasyon veri kümesi oluşturmanı sağlayan temel bir özelliktir. Elle etiketleme gerektirmeden çok sayıda görüntüyü hızlı ve doğru biçimde etiketlemene olanak tanıyarak zamandan ve emekten tasarruf sağlar.

Algılama Modeli Kullanarak Segmentasyon Veri Kümesi Oluşturma#

Ultralytics framework'ünü kullanarak veri kümeni otomatik etiketlemek için aşağıda gösterildiği gibi auto_annotate işlevini kullanabilirsin:

from ultralytics.data.annotator import auto_annotate

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

auto_annotate işlevi, görüntülerinin yolunu ve önceden eğitilmiş algılama modellerini (ör. YOLO26, YOLO11 veya diğer modeller) ve segmentasyon modellerini (ör. SAM, SAM 2, MobileSAM veya SAM 3) belirtmek için isteğe bağlı parametreleri, modellerin çalıştırılacağı aygıtı ve açıklamalı sonuçların kaydedileceği çıktı dizinini alır.

Önceden eğitilmiş modellerin gücünden yararlanan otomatik etiketleme, yüksek kaliteli segmentasyon veri kümeleri oluşturmak için gereken zamanı ve emeği önemli ölçüde azaltabilir. Bu özellik, özellikle büyük görüntü koleksiyonlarıyla çalışan araştırmacılar ve geliştiriciler için kullanışlıdır; elle açıklama eklemek yerine model geliştirme ve değerlendirmeye odaklanmalarını sağlar.

Veri Kümesi Açıklamalarını Görselleştir#

Modelini eğitmeden önce, doğru olduklarından emin olmak için veri kümesi açıklamalarını görselleştirmek genellikle faydalıdır. Ultralytics bu amaçla bir yardımcı işlev sunar. İşlev yalnızca algılama biçimindeki kutu etiketlerini (<class-index> <x_center> <y_center> <width> <height>) okur; segmentasyon poligonu etiket dosyalarını ayrıştıramaz:

from ultralytics.data.utils import visualize_image_annotations

label_map = {  # Tüm açıklama eklenmiş sınıf etiketleriyle etiket eşlemesini tanımla.
    0: "person",
    1: "car",
}

# Visualize
visualize_image_annotations(
    "path/to/image.jpg",  # Giriş görüntüsünün yolu.
    "path/to/annotations.txt",  # Görüntüye ait açıklama dosyasının yolu.
    label_map,
)

Bu işlev sınırlayıcı kutuları çizer, nesneleri sınıf adlarıyla etiketler ve daha iyi okunabilirlik için metin rengini ayarlar; böylece eğitimden önce açıklama hatalarını belirleyip düzeltebilirsin.

Segmentasyon Maskelerini YOLO Biçimine Dönüştürme#

Her piksel değerinin sınıf indeksi + 1 olduğu gri tonlamalı maske görüntülerin varsa (0 arka planı belirtir), bunları aşağıdakini kullanarak YOLO segmentasyon biçimine dönüştürebilirsin:

from ultralytics.data.converter import convert_segment_masks_to_yolo_seg

# 80 sınıflı COCO gibi veri kümeleri için
convert_segment_masks_to_yolo_seg(masks_dir="path/to/masks_dir", output_dir="path/to/output_dir", classes=80)

Bu yardımcı program, maske görüntülerini YOLO segmentasyon biçimine dönüştürür ve belirtilen çıktı dizinine kaydeder.

Sık Sorulan Sorular#