COCO8-Seg Veri Kümesi
Giriş
Ultralytics COCO8-Seg, COCO train 2017 setindeki ilk 8 görüntüden oluşan, 4'ü eğitim ve 4'ü doğrulama için kullanılan küçük ama çok yönlü bir instance segmentation veri kümesidir. Bu veri kümesi, segmentasyon modellerini test etmek ve hatalarını ayıklamak ya da yeni tespit yaklaşımlarını denemek için idealdir. 8 görüntü ile kolayca yönetilebilecek kadar küçük, ancak eğitim hatlarını hatalara karşı test etmek ve daha büyük veri kümelerini eğitmeden önce bir doğrulama kontrolü görevi görmek için yeterince çeşitlidir.
Veri Kümesi Yapısı
- Görüntüler: Toplam 8 (4 eğitim / 4 doğrulama).
- Sınıflar: 80 COCO kategorisi.
- Etiketler: Her görüntü dosyasıyla eşleşen ve
labels/{train,val}altında saklanan YOLO formatında çokgenler.
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için tasarlanmıştır.
Veri Kümesi YAML Dosyası
Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında veriler içerir. COCO8-Seg veri kümesi için 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.zipKullanım
COCO8-Seg veri kümesi üzerinde 640 görüntü boyutuyla 100 epochs boyunca bir YOLO26n-seg modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına başvurabilirsin.
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)Örnek Görüntüler ve Ek Açıklamalar
İşte COCO8-Seg veri kümesindeki görüntülerden ve bunlara karşılık gelen açıklamalardan bazı örnekler:
- 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, COCO8-Seg veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını 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
COCO8-Seg veri kümesi nedir ve Ultralytics YOLO26 içinde nasıl kullanılır?
COCO8-Seg veri kümesi, Ultralytics tarafından sunulan, COCO train 2017 setinin ilk 8 görüntüsünden oluşan (4 eğitim, 4 doğrulama için) kompakt bir instance segmentation veri kümesidir. Bu veri kümesi, segmentasyon modellerini test etmek ve hata ayıklamak ya da yeni tespit yöntemlerini denemek için tasarlanmıştır. Özellikle Ultralytics YOLO26 ve Platform ile hızlı yineleme ve daha büyük veri kümelerine geçmeden önce hat denetimi yapmak için kullanışlıdır. Ayrıntılı kullanım için model Training sayfasına bakabilirsin.
COCO8-Seg veri kümesini kullanarak nasıl YOLO26n-seg modeli eğitebilirim?
COCO8-Seg veri kümesi üzerinde 640 görüntü 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 argümanların ve yapılandırma seçeneklerinin ayrıntılı bir açıklaması için Training belgelerine göz atabilirsin.
COCO8-Seg veri kümesi model geliştirme ve hata ayıklama için neden önemlidir?
COCO8-Seg veri kümesi, 8 görüntüden oluşan kompakt ancak çeşitli bir set sunar; bu da onu segmentasyon modellerini hızlı bir şekilde test etmek, hatalarını ayıklamak veya yeni tespit teknikleri denemek için mükemmel kılar. Küçük boyutu, hızlı doğrulama kontrollerine ve erken aşama hat denetimine olanak tanıyarak, daha büyük veri kümelerine ölçeklemeden önce sorunların tanımlanmasına yardımcı olur. Desteklenen veri kümesi formatları hakkında daha fazla bilgiyi Ultralytics segmentation dataset guide bölümünde bulabilirsin.
COCO8-Seg veri kümesi için YAML yapılandırma dosyasını nerede bulabilirim?
COCO8-Seg veri kümesi 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 kümesi yolları, sınıflar ve yapılandırma ayarları hakkında temel bilgileri içerir.
COCO8-Seg veri kümesi ile eğitim sırasında mozaikleme kullanmanın bazı faydaları nelerdir?
Eğitim sırasında mozaikleme kullanmak, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmaya yardımcı olur. Bu teknik, birden fazla görüntüyü tek bir bileşik görüntüde birleştirerek modelin farklı nesne boyutlarına, en boy oranlarına ve sahne bağlamlarına genelleyebilme yeteneğini geliştirir. Mozaikleme, özellikle COCO8-Seg gibi küçük veri kümeleriyle çalışırken modelin dayanıklılığını ve accuracy değerini artırmak için faydalıdır. Mozaiklenmiş görüntü örnekleri için Sample Images and Annotations bölümüne bakabilirsin.