─░├žeri─če ge├ž

COCO8-Seg Veri Seti

Giri┼č

Ultralytics COCO8-Seg, 4'├╝ e─čitim ve 4'├╝ do─črulama i├žin olmak ├╝zere COCO train 2017 setinin ilk 8 g├Âr├╝nt├╝s├╝nden olu┼čan k├╝├ž├╝k ama ├žok y├Ânl├╝ bir ├Ârnek segmentasyon veri setidir. Bu veri k├╝mesi, segmentasyon modellerini test etmek ve hata ay─▒klamak veya yeni alg─▒lama yakla┼č─▒mlar─▒n─▒ denemek i├žin idealdir. 8 g├Âr├╝nt├╝ ile kolayca y├Ânetilebilecek kadar k├╝├ž├╝kt├╝r, ancak hatalar i├žin e─čitim boru hatlar─▒n─▒ test etmek ve daha b├╝y├╝k veri k├╝melerini e─čitmeden ├Ânce bir ak─▒l sa─čl─▒─č─▒ kontrol├╝ g├Ârevi g├Ârecek kadar ├že┼čitlidir.

Bu veri seti Ultralytics HUB ile kullan─▒lmak ├╝zere tasarlanm─▒┼čt─▒r ve YOLOv8.

Veri K├╝mesi YAML

Veri k├╝mesi yap─▒land─▒rmas─▒n─▒ tan─▒mlamak i├žin bir YAML (Yet Another Markup Language) dosyas─▒ kullan─▒l─▒r. Veri k├╝mesinin yollar─▒, s─▒n─▒flar─▒ ve di─čer ilgili bilgiler hakk─▒nda bilgi i├žerir. COCO8-Seg veri k├╝mesi s├Âz konusu oldu─čunda coco8-seg.yaml dosyas─▒ ┼ču adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

ultralytics/cfg/datasets/coco8-seg.yaml

# Ultralytics YOLO ­čÜÇ, AGPL-3.0 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
# ÔöťÔöÇÔöÇ ultralytics
# ÔööÔöÇÔöÇ datasets
#     ÔööÔöÇÔöÇ coco8-seg  ÔćÉ 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: ../datasets/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://ultralytics.com/assets/coco8-seg.zip

Kullan─▒m

COCO8-Seg veri k├╝mesinde 640 g├Âr├╝nt├╝ boyutunda 100 epok i├žin bir YOLOv8n-seg modelini e─čitmek i├žin a┼ča─č─▒daki kod par├žac─▒klar─▒n─▒ kullanabilirsiniz. Kullan─▒labilir ba─č─▒ms─▒z de─či┼čkenlerin kapsaml─▒ bir listesi i├žin Model E─čitimi sayfas─▒na bak─▒n.

Tren ├ľrne─či

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco8-seg.yaml model=yolov8n.pt epochs=100 imgsz=640

├ľrnek G├Âr├╝nt├╝ler ve A├ž─▒klamalar

COCO8-Seg veri k├╝mesinden baz─▒ g├Âr├╝nt├╝ ├Ârnekleri ve bunlara kar┼č─▒l─▒k gelen ek a├ž─▒klamalar a┼ča─č─▒da verilmi┼čtir:

Veri k├╝mesi ├Ârnek g├Âr├╝nt├╝s├╝

  • Mozaiklenmi┼č G├Âr├╝nt├╝: Bu g├Âr├╝nt├╝, mozaiklenmi┼č veri k├╝mesi g├Âr├╝nt├╝lerinden olu┼čan bir e─čitim grubunu g├Âstermektedir. Mozaikleme, e─čitim s─▒ras─▒nda kullan─▒lan ve her bir e─čitim grubundaki nesne ve sahne ├že┼čitlili─čini art─▒rmak i├žin birden fazla g├Âr├╝nt├╝y├╝ tek bir g├Âr├╝nt├╝de birle┼čtiren bir tekniktir. Bu, modelin farkl─▒ nesne boyutlar─▒na, en boy oranlar─▒na ve ba─člamlara genelleme yetene─čini geli┼čtirmeye yard─▒mc─▒ olur.

Bu ├Ârnek, COCO8-Seg veri k├╝mesindeki g├Âr├╝nt├╝lerin ├že┼čitlili─čini ve karma┼č─▒kl─▒─č─▒n─▒ ve e─čitim s├╝recinde mozaikleme kullanman─▒n faydalar─▒n─▒ g├Âstermektedir.

At─▒flar ve Te┼čekk├╝r

Ara┼čt─▒rma veya geli┼čtirme ├žal─▒┼čmalar─▒n─▒zda COCO veri setini kullan─▒yorsan─▒z, l├╝tfen a┼ča─č─▒daki makaleye at─▒fta bulunun:

@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}
}

Bilgisayarla g├Ârme toplulu─ču i├žin bu de─čerli kayna─č─▒ yaratan ve s├╝rd├╝ren COCO Konsorsiyumu'na te┼čekk├╝r ederiz. COCO veri seti ve yarat─▒c─▒lar─▒ hakk─▒nda daha fazla bilgi i├žin COCO veri seti web sitesini ziyaret edin.



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (6), Laughing-q (1)

Yorumlar