Link to this sectionCOCO128-Seg Veri Kümesi#

Link to this sectionGiriş#

Ultralytics COCO128-Seg, COCO train 2017 setinin ilk 128 görselinden oluşan küçük ama çok yönlü bir instance segmentation veri kümesidir. Bu veri kümesi, segmentasyon modellerini test etmek ve hatalarını ayıklamak ya da yeni algılama yaklaşımları denemek için idealdir. 128 görseliyle kolayca yönetilebilecek kadar küçük, ancak eğitim hatlarını hatalara karşı test etmek ve daha büyük veri kümelerini eğitmeden önce bir doğrulama kontrolü yapmak için yeterince çeşitlidir.

Link to this sectionVeri Kümesi Yapısı#

• Görüntüler: Toplam 128 adet, train ve val setleri aynı olacak şekilde ayrılmıştır (aşağıdaki nota bak).
• Sınıflar: COCO ile aynı 80 nesne kategorisi.
• Etiketler: Paylaşılan train ve val görüntü dizini için labels/train2017 içinde saklanan YOLO formatlı poligonlar.
• İndirme boyutu: ~7 MB.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için hazırlanmıştır.

Link to this sectionVeri Kümesi YAML#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında ayrıntılar içerir. COCO128-Seg veri kümesi özelinde, coco128-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml adresinde tutulmaktadır.

# 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/coco128-seg
# Example usage: yolo train data=coco128-seg.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

Link to this sectionKullanım#

COCO128-Seg veri kümesi üzerinde 640 görsel boyutuyla 100 epochs boyunca bir YOLO26n-seg modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Training model sayfasına bakabilirsin.

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="coco128-seg.yaml", epochs=100, imgsz=640)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

İşte COCO128-Seg veri kümesinden bazı görsel örnekleri ve bunlara karşılık gelen 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.

Link to this sectionAlıntılar 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 oluşturdukları ve korudukları için COCO Konsorsiyumu'na teşekkür ederiz. COCO veri seti ve oluşturucuları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionCOCO128-Seg veri kümesi nedir ve Ultralytics YOLO26 içinde nasıl kullanılır?#

COCO128-Seg veri kümesi, Ultralytics tarafından hazırlanan, COCO train 2017 setinin ilk 128 görselinden oluşan kompakt bir instance segmentation veri kümesidir. Bu veri kümesi, segmentasyon modellerini test etmek ve hata ayıklamak ya da yeni algılama yöntemleri denemek için özel olarak hazırlanmıştır. Ultralytics YOLO26 ve Platform ile hızlı yineleme yapmak ve daha büyük veri kümelerine geçmeden önce hat kontrolü yapmak için özellikle yararlıdır. Ayrıntılı kullanım için model Training sayfasına bakabilirsin.

Link to this sectionCOCO128-Seg veri kümesini kullanarak nasıl YOLO26n-seg modeli eğitebilirim?#

COCO128-Seg veri kümesinde 640 görsel boyutu ve 100 epoch ile bir YOLO26n-seg modeli eğitmek için Python veya CLI komutlarını kullanabilirsin. İşte hızlı bir 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="coco128-seg.yaml", epochs=100, imgsz=640)

Mevcut bağımsız değişkenlerin ve yapılandırma seçeneklerinin kapsamlı bir açıklaması için Training belgelerine göz atabilirsin.

Link to this sectionCOCO128-Seg veri kümesi, model geliştirme ve hata ayıklama için neden önemlidir?#

İndirme ve train/val döngüsü tam COCO'dan çok daha küçük olduğu için COCO128-Seg, yeni bir iş akışında 1 epoch'luk bir sağlık kontrolü yapmanı sağlar; böylece tam COCO-Seg veri kümesine ölçeklemeden önce modelin eğitim, doğrulama ve kontrol noktası kaydetme işlemlerini doğru yaptığını doğrulayabilirsin. Desteklenen veri kümesi formatları hakkında Ultralytics segmentation dataset guide rehberinden daha fazla bilgi edinebilirsin.

Link to this sectionCOCO128-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 erişebilirsin. YAML dosyası, model eğitimi ve doğrulaması için gereken veri kümesi yolları, sınıflar ve yapılandırma ayarları hakkında temel bilgileri içerir.

Link to this sectionCOCO128-Seg, COCO8-Seg ve tam COCO-Seg veri kümesiyle nasıl karşılaştırılır?#

COCO128-Seg (128 görüntü), boyut açısından COCO8-Seg (8 görüntü) ile tam COCO-Seg (118.287 eğitim görüntüsü) arasında yer alır:

• COCO8-Seg: 8 görüntü (4 train, 4 val) — hızlı sağlık kontrolleri ve hata ayıklama için idealdir.
• COCO128-Seg: 128 görüntü — boyut ve çeşitlilik arasında dengeli; eğitim ve doğrulama aynı dizini paylaşır.
• Tam COCO-Seg: 118.287 eğitim görüntüsü — kapsamlı ancak kaynak yoğun; ilk indirmede ~27 GB alan gerektirir.

COCO128-Seg, denemeler ve başlangıç aşamasındaki model geliştirme süreçleri için tam COCO-Seg veri kümesinden çok daha yönetilebilir kalırken, COCO8-Seg'den daha fazla çeşitlilik sunar.