COCO-Seg Veri Seti

COCO (Common Objects in Context) veri setinin bir uzantısı olan COCO-Seg veri seti, nesne örneği segmentasyonu araştırmalarına yardımcı olmak için özel olarak tasarlanmıştır. COCO ile aynı görüntüleri kullanır ancak daha ayrıntılı segmentasyon ek açıklamaları sunar. Bu veri seti, örnek segmentasyon görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için, özellikle de YOLO modellerini eğitmek için çok önemli bir kaynaktır.

COCO-Seg Önceden Eğitilmiş Modeller

Temel Özellikler

• COCO-Seg, COCO'daki orijinal 330K görüntüyü korur.
• Veri kümesi, orijinal COCO veri kümesinde bulunan aynı 80 nesne kategorisinden oluşmaktadır.
• Ek açıklamalar artık görüntülerdeki her nesne için daha ayrıntılı örnek segmentasyon maskeleri içeriyor.
• COCO-Seg, nesne algılama için Ortalama Ortalama Hassasiyet (mAP) ve örnek segmentasyon görevleri için Ortalama Ortalama Geri Çağırma (mAR) gibi standartlaştırılmış değerlendirme metrikleri sağlayarak model performansının etkili bir şekilde karşılaştırılmasına olanak tanır.

Veri Kümesi Yapısı

COCO-Seg veri kümesi üç alt kümeye ayrılmıştır:

1. Train2017: Bu alt küme, örnek segmentasyon modellerinin eğitimi için 118 bin görüntü içerir.
2. Val2017: Bu alt küme, model eğitimi sırasında doğrulama amacıyla kullanılan 5K görüntüyü içerir.
3. Test2017: Bu alt küme, eğitilen modelleri test etmek ve kıyaslamak için kullanılan 20 bin görüntüyü kapsar. Bu alt küme için temel gerçek açıklamaları kamuya açık değildir ve sonuçlar performans değerlendirmesi için COCO değerlendirme sunucusuna gönderilir.

Uygulamalar

COCO-Seg, YOLO modelleri gibi örnek segmentasyonunda derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılmaktadır. Çok sayıda açıklamalı görüntü, nesne kategorilerinin çeşitliliği ve standartlaştırılmış değerlendirme metrikleri, onu bilgisayarla görme araştırmacıları ve uygulayıcıları için vazgeçilmez bir kaynak haline getirmektedir.

Veri Kümesi YAML

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO-Seg veri kümesi söz konusu olduğunda coco.yaml dosyası şu adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)

# 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: ../datasets/coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# 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: |
  from ultralytics.utils.downloads import download
  from pathlib import Path

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml['path'])  # dataset root dir
  url = 'https://github.com/ultralytics/assets/releases/download/v0.0.0/'
  urls = [url + ('coco2017labels-segments.zip' if segments else 'coco2017labels.zip')]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = ['http://images.cocodataset.org/zips/train2017.zip',  # 19G, 118k images
          'http://images.cocodataset.org/zips/val2017.zip',  # 1G, 5k images
          'http://images.cocodataset.org/zips/test2017.zip']  # 7G, 41k images (optional)
  download(urls, dir=dir / 'images', threads=3)

Kullanım

Bir YOLO11n-seg modelini COCO-Seg veri kümesinde 640 görüntü boyutuyla 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

COCO-Seg, selefi COCO gibi, çeşitli nesne kategorileri ve karmaşık sahneler içeren çok çeşitli görüntüler içerir. Bununla birlikte, COCO-Seg görüntülerdeki her nesne için daha ayrıntılı örnek segmentasyon maskeleri sunar. Veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen örnek segmentasyon maskeleri aşağıda verilmiştir:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında kullanılan ve her bir 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 yeteneğine yardımcı olur.

Bu örnek, COCO-Seg veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.

Atıflar ve Teşekkür

Araştırma veya geliştirme çalışmalarınızda COCO-Seg veri setini kullanırsanız, lütfen orijinal COCO makalesine atıfta bulunun ve COCO-Seg uzantısını kabul edin:

@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}
}

Bilgisayarla görme topluluğu için bu paha biçilmez kaynağı yaratan ve sürdüren COCO Konsorsiyumuna teşekkürlerimizi sunarız. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edin.

SSS

COCO-Seg veri seti nedir ve orijinal COCO veri setinden farkı nedir?

COCO-Seg veri kümesi, örnek segmentasyon görevleri için özel olarak tasarlanmış orijinal COCO (Common Objects in Context) veri kümesinin bir uzantısıdır. COCO veri kümesiyle aynı görüntüleri kullansa da COCO-Seg daha ayrıntılı segmentasyon ek açıklamaları içerdiğinden nesne örneği segmentasyonuna odaklanan araştırmacılar ve geliştiriciler için güçlü bir kaynaktır.

COCO-Seg veri setini kullanarak bir YOLO11 modelini nasıl eğitebilirim?

Bir YOLO11n-seg modelini COCO-Seg veri kümesi üzerinde 640 görüntü boyutuyla 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin ayrıntılı bir listesi için Model Eğitimi sayfasına bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

COCO-Seg veri setinin temel özellikleri nelerdir?

COCO-Seg veri seti birkaç temel özellik içermektedir:

• COCO veri kümesindeki orijinal 330K görüntüyü korur.
• Orijinal COCO'da bulunan aynı 80 nesne kategorisine açıklama ekler.
• Her nesne için daha ayrıntılı örnek segmentasyon maskeleri sağlar.
• Nesne algılama için Ortalama Ortalama Hassasiyet (mAP) ve örnek segmentasyon görevleri için Ortalama Ortalama Geri Çağırma (mAR) gibi standartlaştırılmış değerlendirme metriklerini kullanır.

COCO-Seg için hangi ön eğitimli modeller mevcuttur ve bunların performans ölçütleri nelerdir?

COCO-Seg veri seti, farklı performans ölçütlerine sahip önceden eğitilmiş birden fazla YOLO11 segmentasyon modelini desteklemektedir. İşte mevcut modellerin ve temel ölçümlerinin bir özeti:

COCO-Seg veri seti nasıl yapılandırılmıştır ve hangi alt kümeleri içermektedir?

COCO-Seg veri kümesi, özel eğitim ve değerlendirme ihtiyaçları için üç alt kümeye ayrılmıştır:

1. Train2017: Öncelikle örnek segmentasyon modellerini eğitmek için kullanılan 118K görüntü içerir.
2. Val2017: Eğitim sürecinde doğrulama için kullanılan 5K görüntüden oluşur.
3. Test2017: Eğitilmiş modelleri test etmek ve kıyaslamak için ayrılmış 20 bin görüntüyü kapsar. Bu alt küme için temel gerçek açıklamalarının kamuya açık olmadığını ve performans sonuçlarının değerlendirme için COCO değerlendirme sunucusuna gönderildiğini unutmayın.

📅1 yıl önce oluşturuldu ✏️ 21 gün önce güncellendi

Yorumlar