Link to this sectionCOCO8-Seg Veri Seti#
Link to this sectionGiriş#
Ultralytics COCO8-Seg, COCO train 2017 setinin ilk 8 görselinden oluşan; 4'ü eğitim ve 4'ü doğrulama için kullanılan küçük ama çok yönlü bir instance segmentation veri setidir. Bu veri seti, segmentasyon modellerini test etmek, hatalarını ayıklamak veya yeni tespit yaklaşımları denemek için idealdir. 8 görsel ile kolayca yönetilebilecek kadar küçük olmasına rağmen, eğitim hatlarını hatalara karşı test edecek ve daha büyük veri setlerini eğitmeden önce bir doğrulama kontrolü işlevi görecek kadar çeşitliliğe sahiptir.
Link to this sectionVeri Kümesi Yapısı#
- Görseller: Toplam 8 (4 eğitim / 4 doğrulama).
- Sınıflar: 80 COCO kategorisi.
- Etiketler: Her görsel dosyasıyla eşleşen,
labels/{train,val}altında saklanan YOLO formatında çokgenler. - İndirme boyutu: ~1 MB.
Poligon maskeleriyle her görüntüyü incelemek, Charts sekmesindeki sınıf dağılımını ve etiketleme ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek üzere klonlamak için COCO8-Seg on Ultralytics Platform sayfasını keşfet.
Link to this sectionVeri Kümesi YAML#
Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya; veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. COCO8-Seg veri kümesi özelinde, coco8-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml adresinde tutulmaktadır.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zipLink to this sectionKullanım#
COCO8-Seg veri seti üzerinde 640 görsel boyutuyla 100 epochs boyunca bir YOLO26n-seg modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut bağımsız değişkenlerin kapsamlı bir listesi için model Training 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="coco8-seg.yaml", epochs=100, imgsz=640)Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#
İşte COCO8-Seg veri setinden görsellerin ve bunlara karşılık gelen ek açıklamaların bazı örnekleri:
- 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 sectionCOCO8-Seg veri seti nedir ve Ultralytics YOLO26 içinde nasıl kullanılır?#
COCO8-Seg veri kümesi, COCO train 2017 setindeki ilk 8 görüntüden (4 eğitim, 4 doğrulama için) oluşan, Ultralytics tarafından hazırlanan kompakt bir örnek bölütleme veri kümesidir. Bu veri kümesi, bölütleme modellerini test etmek, hata ayıklamak veya yeni tespit yöntemleriyle denemeler yapmak için tasarlanmıştır. Özellikle daha büyük veri kümelerine ölçeklendirme yapmadan önce hızlı yineleme ve işlem hattı hata kontrolü için Ultralytics YOLO26 ile kullanımda oldukça faydalıdır. Ayrıntılı kullanım için Training sayfası modeline başvur.
Link to this sectionCOCO8-Seg veri setini kullanarak nasıl YOLO26n-seg modeli eğitebilirim?#
COCO8-Seg veri seti üzerinde 640 görsel boyutuyla 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="coco8-seg.yaml", epochs=100, imgsz=640)Mevcut bağımsız değişkenlerin ve yapılandırma seçeneklerinin kapsamlı bir açıklaması için Training belgelerine göz atabilirsin.
Link to this sectionCOCO8-Seg veri seti model geliştirme ve hata ayıklama için neden önemlidir?#
İndirme ve eğitim/doğrulama döngüsü tam COCO veri kümesinden çok daha küçük olduğu için, COCO8-Seg sayesinde daha büyük bir veri kümesine geçmeden önce bir eğitim ve doğrulama turu çalıştırarak işlem hattındaki hataları (bozuk bir veri yükleyici, yanlış yapılandırılmış bir kayıp fonksiyonu veya hatalı bir artırma gibi) yakalayabilirsin. Desteklenen veri kümesi formatları hakkında daha fazla bilgiyi Ultralytics segmentation dataset guide sayfasında bulabilirsin.
Link to this sectionCOCO8-Seg veri seti için YAML yapılandırma dosyasını nerede bulabilirim?#
COCO8-Seg veri seti için YAML yapılandırma dosyası Ultralytics deposunda mevcuttur. Dosyaya doğrudan https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml adresinden erişebilirsin. YAML dosyası, model eğitimi ve doğrulaması için gereken veri seti yolları, sınıflar ve yapılandırma ayarları hakkında temel bilgileri içerir.
Link to this sectionCOCO8-Seg, COCO128-Seg ve tam COCO-Seg veri kümesi ile nasıl kıyaslanır?#
COCO8-Seg (8 görüntü), boyut açısından COCO128-Seg (128 görüntü) ve tam COCO-Seg veri kümesinin (118.287 eğitim görüntüsü) altında kalır:
- COCO8-Seg: 8 görüntü (4 eğitim, 4 doğrulama) — en hızlı doğrulama kontrolü; CI ve hızlı 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.
En hızlı işlem hattı kontrolü için COCO8-Seg kullan, ardından kendine güvenin arttıkça COCO128-Seg veya tam COCO-Seg veri kümesine ölçeklendir.