İçeriğe geç

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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

COCO8-Seg veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen ek açıklamalar aşağıda verilmiştir:

Veri kümesi örnek görüntüsü

  • 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

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

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.

📅1 yıl önce oluşturuldu ✏️ 2 ay önce güncellendi

Yorumlar