ADE20K Veri Kümesi
ADE20K veri kümesi, MIT CSAIL tarafından yayınlanan büyük ölçekli bir anlamsal bölümleme ve sahne ayrıştırma kıyaslamasıdır. İç mekan, dış mekan, nesne ve eşya kategorilerini kapsayan yoğun açıklamalı görüntüler sunar; bu da onu Ultralytics YOLO modelleriyle yoğun sahne anlama görevleri üzerinde çalışan araştırmacılar ve geliştiriciler için temel bir kaynak haline getirir.
Temel Özellikler
- ADE20K; 20.210 eğitim görüntüsü, 2.000 doğrulama görüntüsü ve 3.352 test görüntüsü içerir.
- Veri kümesi; iç mekan, dış mekan, nesne ve eşya kategorilerini kapsayan 150 anlamsal sınıfı içerir.
- Açıklamalar, yoğun sahne ayrıştırma için uygun olan piksel düzeyinde bölümleme maskeleridir.
Veri Kümesi Yapısı
Ultralytics yapılandırması, resmi ADEChallengeData2016 düzenini bekler:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/masks_dir alanı annotations olarak ayarlanmıştır, bu nedenle images/ altındaki her görüntü, annotations/ altındaki karşılık gelen maskesiyle eşleştirilir. Orijinal ADE20K maskeleri, 0 değerinin yoksayıldığı kaynak etiket kimliklerini kullanır ve label_mapping bölümü, geçerli 1 ile 150 arasındaki etiketleri bitişik 0 ile 149 arasındaki eğitim kimliklerine dönüştürerek yoksayılan pikselleri 255 olarak eşler.
Uygulamalar
ADE20K, anlamsal bölümleme ve sahne ayrıştırma alanında derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Çeşitli kategori seti ve karmaşık sahneleri; otonom navigasyon, robotik, artırılmış gerçeklik ve görüntü düzenleme gibi uygulamalar için değerli kılar.
İç ve dış mekan sahnelerinin genişliği, ADE20K'yı alanlar arası model genellemesini değerlendirmek için güçlü bir kıyaslama haline getirir.
Veri Kümesi YAML
Bir veri kümesi YAML dosyası; ADE20K yollarını, sınıflarını, maske dizinini ve etiket eşlemesini tanımlar. ade20k.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ade20k.yaml adresinde tutulur.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# ADE20K semantic segmentation dataset (150 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/ade20k/
# Example usage: yolo semantic train data=ade20k.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
# └── ADEChallengeData2016 ← downloads here (1 GB)
# └── images
# └── annotations
# Dataset root directory
path: ADEChallengeData2016
train: images/training
val: images/validation
masks_dir: annotations # semantic mask directory
# ADE20K 150-class labels
names:
0: wall
1: building
2: sky
3: floor
4: tree
5: ceiling
6: road
7: bed
8: windowpane
9: grass
10: cabinet
11: sidewalk
12: person
13: earth
14: door
15: table
16: mountain
17: plant
18: curtain
19: chair
20: car
21: water
22: painting
23: sofa
24: shelf
25: house
26: sea
27: mirror
28: rug
29: field
30: armchair
31: seat
32: fence
33: desk
34: rock
35: wardrobe
36: lamp
37: bathtub
38: railing
39: cushion
40: base
41: box
42: column
43: signboard
44: chest of drawers
45: counter
46: sand
47: sink
48: skyscraper
49: fireplace
50: refrigerator
51: grandstand
52: path
53: stairs
54: runway
55: case
56: pool table
57: pillow
58: screen door
59: stairway
60: river
61: bridge
62: bookcase
63: blind
64: coffee table
65: toilet
66: flower
67: book
68: hill
69: bench
70: countertop
71: stove
72: palm
73: kitchen island
74: computer
75: swivel chair
76: boat
77: bar
78: arcade machine
79: hovel
80: bus
81: towel
82: light
83: truck
84: tower
85: chandelier
86: awning
87: streetlight
88: booth
89: television receiver
90: airplane
91: dirt track
92: apparel
93: pole
94: land
95: bannister
96: escalator
97: ottoman
98: bottle
99: buffet
100: poster
101: stage
102: van
103: ship
104: fountain
105: conveyor belt
106: canopy
107: washer
108: plaything
109: swimming pool
110: stool
111: barrel
112: basket
113: waterfall
114: tent
115: bag
116: minibike
117: cradle
118: oven
119: ball
120: food
121: step
122: tank
123: trade name
124: microwave
125: pot
126: animal
127: bicycle
128: lake
129: dishwasher
130: screen
131: blanket
132: sculpture
133: hood
134: sconce
135: vase
136: traffic light
137: tray
138: ashcan
139: fan
140: pier
141: crt screen
142: plate
143: monitor
144: bulletin board
145: shower
146: radiator
147: glass
148: clock
149: flag
# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
0: ignore_label
1: 0
2: 1
3: 2
4: 3
5: 4
6: 5
7: 6
8: 7
9: 8
10: 9
11: 10
12: 11
13: 12
14: 13
15: 14
16: 15
17: 16
18: 17
19: 18
20: 19
21: 20
22: 21
23: 22
24: 23
25: 24
26: 25
27: 26
28: 27
29: 28
30: 29
31: 30
32: 31
33: 32
34: 33
35: 34
36: 35
37: 36
38: 37
39: 38
40: 39
41: 40
42: 41
43: 42
44: 43
45: 44
46: 45
47: 46
48: 47
49: 48
50: 49
51: 50
52: 51
53: 52
54: 53
55: 54
56: 55
57: 56
58: 57
59: 58
60: 59
61: 60
62: 61
63: 62
64: 63
65: 64
66: 65
67: 66
68: 67
69: 68
70: 69
71: 70
72: 71
73: 72
74: 73
75: 74
76: 75
77: 76
78: 77
79: 78
80: 79
81: 80
82: 81
83: 82
84: 83
85: 84
86: 85
87: 86
88: 87
89: 88
90: 89
91: 90
92: 91
93: 92
94: 93
95: 94
96: 95
97: 96
98: 97
99: 98
100: 99
101: 100
102: 101
103: 102
104: 103
105: 104
106: 105
107: 106
108: 107
109: 108
110: 109
111: 110
112: 111
113: 112
114: 113
115: 114
116: 115
117: 116
118: 117
119: 118
120: 119
121: 120
122: 121
123: 122
124: 123
125: 124
126: 125
127: 126
128: 127
129: 128
130: 129
131: 130
132: 131
133: 132
134: 133
135: 134
136: 135
137: 136
138: 137
139: 138
140: 139
141: 140
142: 141
143: 142
144: 143
145: 144
146: 145
147: 146
148: 147
149: 148
150: 149
# Download URL (manual): http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipKullanım
512 görüntü boyutuyla 100 epoch boyunca ADE20K veri kümesi üzerinde bir YOLO26n-sem modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için Eğitim model sayfasına başvur.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-sem.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)Alıntılar ve Teşekkür
Araştırma veya geliştirme çalışmalarında ADE20K veri kümesini kullanırsan lütfen şu makaleye atıfta bulun:
@inproceedings{zhou2017scene,
title={Scene Parsing through ADE20K Dataset},
author={Zhou, Bolei and Zhao, Hang and Puig, Xavier and Fidler, Sanja and Barriuso, Adela and Torralba, Antonio},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
year={2017}
}Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturduğu ve sürdürdüğü için MIT CSAIL Bilgisayarlı Görü Grubu'na teşekkür ederiz. ADE20K veri kümesi ve yaratıcıları hakkında daha fazla bilgi için ADE20K veri kümesi web sitesini ziyaret et.
SSS
ADE20K veri kümesi nedir ve bilgisayarlı görü için neden önemlidir?
ADE20K veri kümesi, anlamsal bölümleme için kullanılan büyük ölçekli bir sahne ayrıştırma kıyaslamasıdır. İç mekan, dış mekan, nesne ve eşya sınıflarını kapsayan 150 kategori genelinde 25.562 yoğun açıklamalı görüntü içerir. Araştırmacılar, çeşitli sahneleri, ayrıntılı kategori seti ve ortalama Birleşim Üzerinden Kesişim (mIoU) gibi standartlaştırılmış değerlendirme metrikleri nedeniyle yoğun tahmin modellerini kıyaslamak için ADE20K'yı ideal bulurlar.
ADE20K veri kümesini kullanarak bir YOLO modelini nasıl eğitebilirim?
512 görüntü boyutuyla 100 epoch boyunca ADE20K veri kümesi üzerinde bir YOLO26n-sem modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların ayrıntılı bir listesi için Eğitim model sayfasına başvur.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-sem.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)ADE20K veri kümesi nasıl yapılandırılmıştır?
The ADE20K dataset follows the official ADEChallengeData2016 layout, with images organized under images/training/ and images/validation/, and corresponding masks under annotations/training/ and annotations/validation/. The Ultralytics YAML file pairs each image with its mask via the masks_dir: annotations field, and uses label_mapping to convert source label IDs 1–150 into contiguous train IDs 0–149, mapping the ignore label to 255.
ADE20K neden label_mapping kullanır?
ADE20K açıklama maskeleri, 0 değerinin yoksayma veya arka plan sınıfını belirttiği kaynak etiket kimliklerini saklar. label_mapping bölümü, geçerli 1 ile 150 arasındaki etiketleri bitişik 0 ile 149 arasındaki eğitim kimliklerine eşler ve yoksayılan piksellere 255 atayarak bunların eğitim ve doğrulama sırasında kayıp ve metriklerden hariç tutulmasını sağlar.