COCO8-Seg Veri Seti
Giriş
Ultralytics COCO8-Seg, 4'ü eğitim ve 4'ü doğrulama için olmak üzere COCO train 2017 setinin ilk 8 görüntüsünden oluşan küçük ama çok yönlü bir örnek segmentasyon veri setidir. Bu veri kümesi, segmentasyon modellerini test etmek ve hata ayıklamak veya yeni algılama yaklaşımlarını denemek için idealdir. 8 görüntü ile kolayca yönetilebilecek kadar küçüktür, ancak hatalar için eğitim boru hatlarını test etmek ve daha büyük veri kümelerini eğitmeden önce bir akıl sağlığı kontrolü görevi görecek kadar çeşitlidir.
Bu veri seti Ultralytics HUB ile kullanılmak üzere tasarlanmıştır ve YOLO11.
Veri Kümesi YAML
Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında bilgi içerir. COCO8-Seg veri kümesi söz konusu olduğunda coco8-seg.yaml
dosyası şu adreste tutulur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.
ultralytics/cfg/datasets/coco8-seg.yaml
# Ultralytics YOLO 🚀, 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
# ├── 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: ../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://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip
Kullanım
Bir YOLO11n-seg modelini COCO8-Seg veri kümesinde 640 görüntü boyutuyla 100 epok için eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Kullanılabilir bağımsız değişkenlerin kapsamlı bir listesi için Model Eğitimi sayfasına bakın.
Tren Örneği
Örnek Görüntüler ve Açıklamalar
COCO8-Seg veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen ek açıklamalar aşağıda verilmiştir:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında kullanılan ve her bir 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 ve eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.
Atıflar ve Teşekkür
Araştırma veya geliştirme çalışmalarınızda COCO veri setini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta 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 görme topluluğu için bu değerli kaynağı yaratan ve sürdüren COCO Konsorsiyumu'na teşekkür ederiz. COCO veri seti ve yaratıcıları hakkında daha fazla bilgi için COCO veri seti web sitesini ziyaret edin.
SSS
COCO8-Seg veri seti nedir ve Ultralytics YOLO11 adresinde nasıl kullanılır?
COCO8-Seg veri kümesi, COCO train 2017 setindeki ilk 8 görüntüden (eğitim için 4 görüntü ve doğrulama için 4 görüntü) oluşan Ultralytics tarafından hazırlanan kompakt bir örnek segmentasyon veri kümesidir. Bu veri seti, segmentasyon modellerini test etmek ve hata ayıklamak veya yeni tespit yöntemlerini denemek için özel olarak tasarlanmıştır. Özellikle aşağıdakiler için kullanışlıdır Ultralytics YOLO11 ve daha büyük veri kümelerine ölçeklendirmeden önce hızlı yineleme ve boru hattı hata kontrolü için HUB. Ayrıntılı kullanım için Model Eğitimi sayfasına bakın.
COCO8-Seg veri kümesini kullanarak bir YOLO11n-seg modelini nasıl eğitebilirim?
Bir YOLO11n-seg modelini COCO8-Seg veri kümesi üzerinde 640 görüntü boyutuyla 100 epoch için eğitmek için Python veya CLI komutlarını kullanabilirsiniz. İşte hızlı bir örnek:
Tren Örneği
Kullanılabilir bağımsız değişkenler ve yapılandırma seçeneklerinin kapsamlı bir açıklaması için Eğitim belgelerine göz atabilirsiniz.
COCO8-Seg veri seti model geliştirme ve hata ayıklama için neden önemlidir?
COCO8-Seg veri kümesi, küçük bir boyutta yönetilebilirliği ve çeşitliliği açısından idealdir. Yalnızca 8 görüntüden oluşur ve segmentasyon modellerini veya yeni tespit yaklaşımlarını daha büyük veri kümelerinin ek yükü olmadan test etmek ve hata ayıklamak için hızlı bir yol sağlar. Bu da onu, büyük veri kümeleri üzerinde kapsamlı bir eğitime başlamadan önce sağlık kontrolleri ve boru hattı hatalarının belirlenmesi için etkili bir araç haline getirmektedir. Veri kümesi formatları hakkında daha fazla bilgiyi buradan edinebilirsiniz.
COCO8-Seg veri kümesi için YAML yapılandırma dosyasını nerede bulabilirim?
COCO8-Seg veri seti için YAML yapılandırma dosyası Ultralytics deposunda mevcuttur. Dosyaya doğrudan buradan erişebilirsiniz. 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 partisindeki nesnelerin ve sahnelerin çeşitliliğini ve çeşitliliğini artırmaya yardımcı olur. Bu teknik, birden fazla görüntüyü tek bir kompozit görüntüde birleştirerek modelin sahne içindeki farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğini geliştirir. Mozaikleme, özellikle COCO8-Seg gibi küçük veri kümeleriyle çalışırken bir modelin sağlamlığını ve doğruluğunu artırmak için faydalıdır. Mozaiklenmiş görüntülerin bir örneği için Örnek Görüntüler ve Açıklamalar bölümüne bakın.