COCO128-Seg Veri Kümesi
Giriş
Ultralytics COCO128-Seg, COCO train 2017 setinin ilk 128 görüntüsünden oluşan küçük ama çok yönlü bir örnek segmentasyonu veri kümesidir. Bu veri kümesi, segmentasyon modellerini test etmek ve hatalarını ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 128 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak daha büyük veri kümelerini eğitmeden önce hatalar için eğitim ardışık düzenlerini test etmek ve bir akıl sağlığı kontrolü görevi görmek için yeterince çeşitlidir.
Veri Seti Yapısı
- Görüntüler: Toplam 128 adet. Varsayılan YAML, eğitim ve doğrulama için aynı dizini yeniden kullanır, böylece hızlı bir şekilde yineleme yapabilirsiniz, ancak isterseniz bölmeyi kopyalayabilir veya özelleştirebilirsiniz.
- Sınıflar: COCO ile aynı 80 nesne kategorisi.
- Etiketler: İçindeki her görüntünün yanında kaydedilen YOLO formatındaki poligonlar
labels/{train,val}.
Bu veri kümesi, Ultralytics HUB ve YOLO11 ile kullanılmak üzere tasarlanmıştır.
Veri Seti YAML
YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO128-Seg veri kümesi söz konusu olduğunda, coco128-seg.yaml dosyası şu adreste tutulur: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
ultralytics/cfg/datasets/coco128-seg.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128-seg ← downloads here (7 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128-seg.zip
Kullanım
640 görüntü boyutuyla, COCO128-Seg veri kümesi üzerinde bir YOLO11n-seg modelini 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.
Eğitim Örneği
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="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
İşte COCO128-Seg 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, COCO128-Seg 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
COCO128-Seg veri seti nedir ve Ultralytics YOLO11'de nasıl kullanılır?
COCO128-Seg veri seti, Ultralytics tarafından oluşturulan, COCO train 2017 setinden alınan ilk 128 görüntüyü içeren kompakt bir örnek segmentasyon veri setidir. Bu veri seti, segmentasyon modellerini test etmek ve hatalarını ayıklamak veya yeni detect yöntemlerini denemek için özel olarak tasarlanmıştır. Özellikle Ultralytics YOLO11 ve HUB ile birlikte, daha büyük veri setlerine ölçeklendirmeden önce hızlı yineleme ve ardışık düzen hata kontrolü için kullanışlıdır. Ayrıntılı kullanım için model Eğitim sayfasına bakın.
COCO128-Seg veri kümesini kullanarak bir YOLO11n-seg modeli nasıl eğitebilirim?
640 görüntü boyutuyla COCO128-Seg veri kümesinde bir YOLO11n-seg modelini 100 epoch için eğitmek için python veya CLI komutlarını kullanabilirsiniz. İşte hızlı bir örnek:
Eğitim Örneği
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="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Mevcut argümanların ve yapılandırma seçeneklerinin kapsamlı bir açıklaması için Eğitim belgelerine bakabilirsiniz.
COCO128-Seg veri seti, model geliştirme ve hata ayıklama için neden önemlidir?
COCO128-Seg veri seti, 128 görüntü ile yönetilebilirlik ve çeşitliliğin dengeli bir kombinasyonunu sunarak, segmentasyon modellerini hızlı bir şekilde test etmek ve hatalarını ayıklamak veya yeni detect tekniklerini denemek için mükemmeldir. Orta boyutu, daha büyük veri setlerine ölçeklendirmeden önce eğitim ardışık düzenlerini doğrulamak için yeterli çeşitlilik sağlarken, hızlı eğitim yinelemelerine olanak tanır. Desteklenen veri seti formatları hakkında daha fazla bilgiyi Ultralytics segmentasyon veri seti kılavuzunda bulabilirsiniz.
COCO128-Seg veri kümesi için YAML yapılandırma dosyasını nerede bulabilirim?
COCO128-Seg veri kümesi için YAML yapılandırma dosyası, Ultralytics deposunda mevcuttur. Dosyaya doğrudan https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml adresinden erişebilirsiniz. YAML dosyası, model eğitimi ve doğrulaması için gereken veri kümesi yolları, sınıflar ve yapılandırma ayarları hakkında temel bilgiler içerir.
COCO128-Seg veri seti ile eğitim sırasında mozaiklemenin kullanılmasının bazı faydaları nelerdir?
Eğitim sırasında mosaicing kullanmak, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini ve türlülüğünü artırmaya yardımcı olur. Bu teknik, birden çok görüntüyü tek bir kompozit görüntüde birleştirerek modelin sahne içindeki farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğini geliştirir. Mosaicing, özellikle COCO128-Seg gibi orta büyüklükteki veri kümeleriyle çalışırken, bir modelin sağlamlığını ve doğruluğunu iyileştirmek için faydalıdır. Mozaiklenmiş görüntülere bir örnek için Örnek Görüntüler ve Açıklamalar bölümüne bakın.
