Anlamsal Segmentasyon Veri Kümelerine Genel Bakış#

Anlamsal segmentasyon, görüntüdeki her piksele bir sınıf etiketi atar. Örnek segmentasyonundan farklı olarak anlamsal segmentasyon, aynı sınıftaki nesneleri birbirinden ayırmaz. Eğitim hedefi, her pikselin bir sınıf kimliği taşıdığı yoğun bir sınıf haritasıdır.

Bu kılavuz, Ultralytics YOLO anlamsal segmentasyon modellerinin kullandığı veri kümesi biçimini açıklar ve eğitim ile doğrulama için kullanılabilen yerleşik veri kümesi yapılandırmalarını listeler.

Desteklenen Veri Kümesi Biçimleri#

İki etiket biçimi desteklenir. Veri kümesi YAML dosyası bir masks_dir anahtarı tanımlıyorsa veya veri kümesi kök dizininde görüntülerin yanında bir masks/ klasörü zaten varsa, veri kümesi yükleyicisi PNG maskelerini seçer; aksi durumda YOLO poligon etiketlerine geçer.

PNG maske biçimi#

Anlamsal segmentasyon veri kümelerinde her örnek için bir görüntü dosyası ve bir maske dosyası kullanılır. Maske, genellikle PNG biçiminde olan tek kanallı bir görüntüdür; her pikselin değeri, karşılık gelen görüntü pikselinin sınıf indeksidir.

• Piksel değerleri 0, 1, 2, ... veri kümesinin names eşlemesindeki sınıf kimliklerini temsil eder.
• 255 piksel değeri, yok sayma etiketi olarak değerlendirilir ve kayıp ile metrik hesaplamalarının dışında tutulur.
• Maske dosyaları, eşleştikleri görüntü dosyasıyla aynı dosya adına sahip olmalıdır; örneğin frankfurt_000000_000294.png.
• Maskeler varsayılan olarak .png şeklinde çözümlenir; bu dosya yoksa desteklenen diğer görüntü uzantıları da kabul edilir. .png veya .tiff gibi kayıpsız biçimler kullan; çünkü kayıplı sıkıştırma (ör. .jpg) sınıf kimliği piksel değerlerini bozar.

Varsayılan düzen, görüntüleri ve maskeleri paralel klasörlerde tutar. Veri kümesi YAML dosyasındaki masks_dir değeri, maskeleri bulmak için images yol bileşeninin yerine kullanılır.

dataset/
├── images/
│   ├── train/
│   └── val/
└── masks/
    ├── train/
    └── val/

Örneğin, masks_dir: masks olduğunda images/train/aachen_000000_000019.png konumundaki bir görüntü, masks/train/aachen_000000_000019.png konumundaki bir maskeyle eşleştirilir.

YOLO poligon etiketi biçimi#

Veri kümenizde zaten Ultralytics YOLO poligon etiketleri varsa (her görüntü için bir .txt ve <class-index> <x1> <y1> <x2> <y2> ... satırları), PNG maskesi dönüşümüne gerek kalmadan doğrudan bu etiketlerle anlamsal segmentasyon eğitimi yapabilirsin. Satır düzeyindeki düzen için örnek segmentasyonu veri kümesi biçimine bak.

Bu yol, veri kümesi YAML dosyasında masks_dir belirtilmediğinde ve veri kümesi kök dizininde görüntülerin yanında bir masks/ klasörü bulunmadığında otomatik olarak seçilir — geride kalan masks/ klasörlerini sil veya yeniden adlandır; aksi hâlde yükleyici PNG maske moduna geçer ve maskeleri bunun yerine orada arar. Davranış:

• Poligonlar yükleme sırasında her görüntü için anlamsal bir maskeye dönüştürülür ve örtüşme bölgelerinde küçük nesnelerin büyük nesnelerin üzerine yazması için alana göre sıralanır.
• Çok sınıflı (names içinde N > 1): Herhangi bir poligonun kapsamadığı pikseller için tanımlı sınıflarından sonra ek bir background sınıfı eklenir. Model N + 1 çıkış kanalıyla oluşturulur ve son kanal arka planı temsil eder.
• Tek sınıflı (names içinde N == 1): Eğitim yine 1 sınıfla yapılır. Maske ikilidir; tanımladığın sınıf 1, herhangi bir poligonun kapsamadığı pikseller ise 0 olarak gösterilir. names içine ek bir arka plan sınıfı eklenmez.
• Artırma dolgusuyla eklenen pikseller (ör. rastgele kırpma) yine yok sayma etiketi olarak 255 kullanır.

Verilerin zaten örnek poligonlarıyla etiketlenmişse ve aynı dosyalardan anlamsal segmentasyon modeli oluşturmak istiyorsan bu yolu kullan.

Veri kümesi YAML biçimi#

Anlamsal segmentasyon veri kümeleri YAML dosyalarıyla yapılandırılır. Başlıca alanlar şunlardır:

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

Kaynak maske kimlikleri zaten ardışık eğitim sınıfı kimlikleriyle eşleşmiyorsa label_mapping kullan. Cityscapes ve ADE20K, özgün etiket kimliklerini YOLO anlamsal segmentasyon eğitim kimliklerine dönüştüren ve kullanılmayan etiketleri yok sayan eşlemeler içerir.

Kullanım#

Python veya CLI ile YOLO26 anlamsal segmentasyon modeli eğit:

from ultralytics import YOLO

# Önceden eğitilmiş bir anlamsal segmentasyon modelini yükle
model = YOLO("yolo26n-sem.pt")

# Cityscapes8 anlamsal segmentasyon veri kümesiyle eğit
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Desteklenen Veri Kümeleri#

Ultralytics, bu veri kümeleri için anlamsal segmentasyon veri kümesi YAML dosyaları sağlar. Önceden eğitilmiş model kıyaslama tablosunun tamamı için anlamsal segmentasyon görev sayfasına bak.

• Cityscapes: Eğitim için 19 sınıf içeren, kentsel sokak sahnelerine yönelik anlamsal segmentasyon veri kümesi.
• Cityscapes8: Hızlı testler ve CI kontrolleri için Cityscapes'in 8 görüntülük bir alt kümesi.
• ADE20K: 150 anlamsal sınıf içeren sahne ayrıştırma veri kümesi.

Kendi Veri Kümeni Ekleme#

Seçenek A — PNG maskeleri#

1. Görüntülerini images/train ve images/val gibi bölme klasörlerine kaydet.
2. Her görüntü için tek kanallı bir maskeyi, masks/train ve masks/val gibi karşılık gelen maske klasörlerine kaydet.
3. Maske piksel değerlerinin sınıf kimlikleri olduğundan emin ol. Yok sayılması gereken pikseller için 255 kullan.
4. path, train, val, masks_dir ve names alanlarını içeren bir veri kümesi YAML dosyası oluştur.
5. Yalnızca maske kimliklerinin ardışık eğitim kimliklerine dönüştürülmesi gerekiyorsa label_mapping ekle.

path: path/to/my-semantic-dataset
train: images/train
val: images/val
masks_dir: masks

names:
    0: background
    1: road
    2: building

Seçenek B — Çokgen etiketleri#

1. Görüntüleri ve .txt çokgen dosyalarını, örnek segmentasyonda olduğu gibi düzenle.
2. path, train, val ve names alanlarını içeren bir veri kümesi YAML dosyası oluştur — masks_dir alanını çıkar.
3. Veri kümesinin kök dizinindeki görüntülerin yanında masks/ klasörünün bulunmadığından emin ol — bu klasörün varlığı, YAML'de masks_dir olmasa bile yükleyiciyi PNG maske moduna geçirir.
4. names alanına "background" girdisi ekleme. Çok sınıflı veri kümelerinde yükleyici bunu otomatik ekler; tek sınıflı veri kümelerinde eğitim 1 sınıf olarak kalır — tanımladığın sınıf, maskede 1 olur ve kapsanmayan pikseller 0 değerini alır.

path: path/to/my-polygon-dataset
train: images/train
val: images/val

names:
    0: person
    1: car

Ultralytics Platform, anlamsal görev için bir çokgen açıklama aracı ve SAM destekli Akıllı açıklama sunar — doğrudan tarayıcıda açıklama ekleyebilir, ardından bu klasör yapısını elle kurmadan çokgen etiketli veri kümesini dışa aktarabilir veya bununla eğitim yapabilirsin.

Sık Sorulan Sorular#