COCO128-Seg Veri Seti
Giriş
Ultralytics COCO128-Seg, COCO train 2017 setinin ilk 128 görselinden oluşan, küçük ancak çok yönlü bir instance segmentation veri setidir. Bu veri seti, segmentasyon modellerini test etmek ve hatalarını ayıklamak ya da yeni tespit yaklaşımları denemek için idealdir. 128 görsel içermesi sayesinde yönetimi kolaydır, ancak eğitim hatlarını hatalara karşı test edecek ve daha büyük veri setleriyle eğitime başlamadan önce bir doğrulama kontrolü yapacak kadar da çeşitlilik sunar.
Veri Kümesi Yapısı
- Görseller: Toplam 128 adet. Varsayılan YAML dosyası, hızlı bir şekilde yineleme yapabilmen için train ve val bölümleri için aynı dizini kullanır; ancak dilersen bu bölümlemeyi kopyalayabilir veya özelleştirebilirsin.
- Sınıflar: COCO ile aynı 80 nesne kategorisi.
- Etiketler: Her görselin yanında
labels/{train,val}içerisinde kaydedilmiş YOLO formatında çokgenler.
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için tasarlanmıştır.
Veri Kümesi YAML Dosyası
Veri seti yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri setinin yolları, sınıfları ve diğer ilgili bilgileri hakkında veriler içerir. COCO128-Seg veri seti durumunda, 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/coco/
# 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.zipKullanım
Bir YOLO26n-seg modelini COCO128-Seg veri seti üzerinde 640 görsel boyutuyla 100 epochs boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına başvur.
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)Örnek Görüntüler ve Ek Açıklamalar
İşte COCO128-Seg veri setinden bazı görseller ve bunlara karşılık gelen ek açıklamalar:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti 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 yeteneğini geliştirmeye yardımcı olur.
Bu örnek, COCO128-Seg veri setindeki görsellerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın avantajlarını sergilemektedir.
Alıntılar ve Teşekkür
Araştırma veya geliştirme çalışmalarında COCO veri setini kullanırsan, 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}
}COCO Konsorsiyumu'na, bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.
SSS
COCO128-Seg veri seti nedir ve Ultralytics YOLO26 içinde nasıl kullanılır?
COCO128-Seg veri seti, Ultralytics tarafından sunulan ve COCO train 2017 setinin ilk 128 görselinden oluşan kompakt bir instance segmentation veri setidir. Bu veri seti, segmentasyon modellerini test etmek, hatalarını ayıklamak veya yeni tespit yöntemleri denemek için özel olarak hazırlanmıştır. Özellikle daha büyük veri setlerine geçmeden önce hızlı yineleme ve hat hattı kontrolü yapmak için Ultralytics YOLO26 ve Platform ile birlikte oldukça kullanışlıdır. Ayrıntılı kullanım bilgisi için model Training sayfasına göz at.
COCO128-Seg veri setini kullanarak nasıl YOLO26n-seg modeli eğitebilirim?
COCO128-Seg veri seti üzerinde 640 görsel boyutu ile 100 epoch boyunca 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 argümanların ve yapılandırma seçeneklerinin ayrıntılı bir açıklaması için Training belgelerine göz atabilirsin.
COCO128-Seg veri seti, model geliştirme ve hata ayıklama için neden önemlidir?
COCO128-Seg veri seti, 128 görseliyle yönetilebilirlik ve çeşitlilik arasında dengeli bir kombinasyon sunar; bu da onu segmentasyon modellerini hızlı bir şekilde test etmek ve hatalarını ayıklamak veya yeni tespit teknikleri denemek için mükemmel kılar. Orta ölçekli boyutu, daha büyük veri setlerine ölçeklemeden önce eğitim hatlarını doğrulamak için yeterli çeşitliliği sağlarken hızlı eğitim yinelemelerine izin verir. Desteklenen veri seti formatları hakkında daha fazla bilgiyi Ultralytics segmentasyon veri seti kılavuzunda bulabilirsin.
COCO128-Seg veri seti için YAML yapılandırma dosyasını nerede bulabilirim?
COCO128-Seg veri seti 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; veri seti yolları, sınıflar ve model eğitimi ile doğrulaması için gerekli olan yapılandırma ayarları hakkında temel bilgileri içerir.
COCO128-Seg veri seti ile eğitim sırasında mozaikleme kullanmanın avantajları nelerdir?
Eğitim sırasında mozaikleme kullanmak, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini ve zenginliğini artırmaya yardımcı olur. Bu teknik, birden fazla görseli tek bir kompozit görselde birleştirerek modelin farklı nesne boyutlarına, en-boy oranlarına ve sahne içi bağlamlara genelleyebilme yeteneğini geliştirir. Mozaikleme, özellikle COCO128-Seg gibi orta ölçekli veri setleriyle çalışırken modelin sağlamlığını ve doğruluğunu artırmak için faydalıdır. Mozaiklenmiş görsellerin bir örneği için Örnek Görseller ve Ek Açıklamalar bölümüne bakabilirsin.