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#
- Görseller: Toplam 128 adet. Varsayılan YAML dosyası, hızlı bir şekilde yineleme yapabilmen için train ve val dizinlerinde aynı klasörü kullanır, ancak istersen bunu kopyalayabilir veya ayrımı özelleştirebilirsin.
- Sınıflar: COCO ile aynı 80 nesne kategorisi.
- Etiketler: Her görselin yanında
labels/{train,val}içinde kaydedilmiş YOLO formatında çokgenler.
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için hazırlanmıştır.
Link to this sectionVeri Kümesi YAML#
Bir YAML (Yet Another Markup Language) dosyası, veri kümesi yapılandırmasını tanımlamak için kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. COCO128-Seg veri kümesi için 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.zipLink 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.
Bu örnek, COCO128-Seg veri kümesindeki görsellerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını sergiler.
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 argümanların ve yapılandırma seçeneklerinin tam açıklaması için Training dokümantasyonuna göz atabilirsin.
Link to this sectionCOCO128-Seg veri kümesi, model geliştirme ve hata ayıklama için neden önemlidir?#
COCO128-Seg veri kümesi, 128 görseli ile yönetilebilirlik ve çeşitliliğin dengeli bir kombinasyonunu sunar; bu da onu segmentasyon modellerini hızlı bir şekilde test etmek ve hatalarını ayıklamak veya yeni algılama teknikleri denemek için mükemmel kılar. Orta boyutu, eğitim yinelemelerinin hızlı olmasını sağlarken aynı zamanda daha büyük veri kümelerine ölçeklendirmeden önce eğitim hatlarını doğrulamak için yeterli çeşitlilik sunar. Desteklenen veri kümesi formatları hakkında daha fazla bilgiyi Ultralytics segmentation dataset guide içinde bulabilirsin.
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 veri kümesiyle eğitim sırasında mozaikleme kullanmanın bazı faydaları nelerdir?#
Eğitim sırasında mozaikleme kullanmak, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini ve farklılığını artırmaya yardımcı olur. Bu teknik, birden fazla görseli tek bir bileşik görselde birleştirerek modelin farklı nesne boyutlarına, en boy oranlarına ve sahne içindeki bağlamlara genelleme yapma yeteneğini artırır. Mozaikleme, özellikle COCO128-Seg gibi orta ölçekli veri kümeleriyle çalışırken modelin sağlamlığını ve accuracy değerini artırmak için faydalıdır. Mozaiklenmiş görsel örnekleri için Sample Images and Annotations bölümüne bakabilirsin.