ADE20K Veri Kümesi#
ADE20K veri kümesi, MIT CSAIL'den iç mekân, dış mekân, nesne ve eşya kategorilerinde yoğun bir şekilde etiketlenmiş 20.210 eğitim ve 2.000 doğrulama görüntüsüne sahip büyük ölçekli bir anlamsal bölümleme kıyaslama testidir. Ultralytics YOLO ile yoğun sahneleri anlama modellerini eğitmek ve değerlendirmek için standart bir kaynaktır.
Temel Özellikler#
- ADE20K'nın tam SceneParsing kıyaslama testi toplam 25.562 görüntü içerir: 20.210 eğitim, 2.000 doğrulama ve 3.352 test. Test görüntüsü etiketleri kamuya açık olarak yayınlanmamıştır, bu nedenle indirilebilir
ADEChallengeData2016arşivi ve Ultralyticsade20k.yamlyapılandırması yalnızca eğitim ve doğrulama alt kümelerini kullanır. - Veri kümesi, iç mekan, dış mekan, nesne ve eşya kategorilerine yayılan 150 anlamsal sınıfı kapsar.
- Etiketler, sahne ayrıştırma için uygun olan yoğun piksel düzeyinde bölümleme maskeleridir.
Veri Kümesi Yapısı#
Ultralytics yapılandırması, resmi ADEChallengeData2016 düzenini bekler:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/ADE20K'da otomatik indirme betiği yoktur. ~1 GB boyutundaki ADEChallengeData2016.zip arşivini indirin ve doğrudan datasets/ klasörünüzün içine çıkarın. Arşivin kendi üst düzey klasörü zaten ADEChallengeData2016/ olarak adlandırılmıştır, bu nedenle bu işlem yukarıdaki yerleşime uyan datasets/ADEChallengeData2016/'ü oluşturur — kendiniz bir ADEChallengeData2016 klasörü oluşturup içine çıkarma yapmayın, aksi takdirde YAML'nin bulamayacağı iç içe bir datasets/ADEChallengeData2016/ADEChallengeData2016/ dizini ile karşılaşırsınız.
masks_dir alanı annotations olarak ayarlanmıştır, bu nedenle images/ altındaki her görüntü annotations/ altındaki karşılık gelen maskesiyle eşleştirilir. Orijinal ADE20K maskeleri, 0'ün yoksayıldığı kaynak etiket kimliklerini kullanır ve label_mapping bölümü, geçerli 1 ile 150 arasındaki etiketleri ardışık 0 ile 149 eğitim kimliklerine dönüştürerek yoksayılan pikselleri 255 ile eşler.
Uygulamalar#
ADE20K, anlamsal bölümleme ve sahne ayrıştırma alanındaki 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 mekân sahnelerinin genişliği, ADE20K'yı etki alanları arasında model genellemesini değerlendirmek için güçlü bir kıyaslama testi yapar. Önceden eğitilmiş YOLO26 anlamsal bölümleme modelleri ADE20K doğrulama setinde 51.5 mIoU değerine kadar ulaşır — tam kıyaslama tablosu için anlamsal bölümleme modelleri sayfasına bakın. ADE20K formatındaki veri kümeleri ayrıca veri kümesi yönetimi ve eğitimi için Ultralytics Platform ile tam uyumludur.
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 barındırılmaktadır.
# 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#
YOLO26n-sem modelini ADE20K veri kümesinde 512 görüntü boyutuyla 100 dönemde (epoch) eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına göz at.
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, Lisans ve Teşekkür#
ADE20K görüntüleri yalnızca ticari olmayan araştırma ve eğitim amaçlı kullanım için yayınlanmıştır; veri kümesinin etiketleme yazılımı ayrıca BSD-3 altında lisanslanmıştır. Ticari kullanım MIT CSAIL'den izin alınmasını gerektirir.
ADE20K veri kümesini araştırmanda veya geliştirme çalışmalarında kullanıyorsan, 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 oluşturdukları ve sürdürdükleri 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; iç mekân, dış mekân, nesne ve eşya sınıflarını kapsayan 150 kategori genelinde kamuya açık olarak yayınlanan 20.210 eğitim ve 2.000 doğrulama görüntüsüyle anlamsal bölümleme için kullanılan büyük ölçekli bir sahne ayrıştırma kıyaslama testidir. Araştırmacılar ADE20K'yı, çeşitli sahneleri, hassas kategori seti ve ortalama Kesişim Üzeri Birlik (mIoU) gibi standartlaştırılmış değerlendirme metrikleri sayesinde yoğun tahmin modellerini kıyaslamak için ideal olduğundan tercih ederler.
ADE20K veri kümesini kullanarak nasıl YOLO modeli eğitebilirim?#
YOLO26n-sem modelini ADE20K veri kümesinde 512 görüntü boyutuyla 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların ayrıntılı bir listesi için model Eğitim 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?#
ADE20K veri seti, görsellerin images/training/ ve images/validation/ altında, karşılık gelen maskelerin ise annotations/training/ ve annotations/validation/ altında düzenlendiği resmi ADEChallengeData2016 yerleşimini takip eder. Ultralytics YAML dosyası, her görseli maskesiyle masks_dir: annotations alanı aracılığıyla eşleştirir ve kaynak etiket kimliklerini (1–150) bitişik eğitim kimliklerine (0–149) dönüştürmek için label_mapping kullanarak yoksayma etiketini 255 olarak eşler.
ADE20K'yı manuel olarak indirmem gerekiyor mu?#
Evet. Eğitimden önce ADEChallengeData2016.zip arşivini (~1 GB) indir ve doğrudan datasets/ klasörünün içine çıkart — arşivin kendi üst düzey klasörü zaten ADEChallengeData2016/ olarak adlandırılmıştır, bu nedenle oraya çıkartmak (kendin oluşturduğun ayrı bir ADEChallengeData2016 klasörüne değil) ade20k.yaml'nin beklediği images/ ve annotations/ yerleşimini oluşturur.
ADE20K neden label_mapping kullanır?#
ADE20K etiket maskeleri, 0'ün yoksayılan veya arka plan sınıfını belirttiği kaynak etiket kimliklerini saklar. label_mapping bölümü, geçerli 1 ile 150 arasındaki etiketleri ardışık 0 ile 149 eğitim kimliklerine eşler ve eğitim ile doğrulama sırasında kayıp ve metriklerin dışında tutulmaları için yoksayılan piksellere 255 atar.
ADE20K veri kümesi ticari kullanım için ücretsiz mi?#
Hayır. ADE20K görüntüleri kullanımı ticari olmayan araştırma ve eğitimle sınırlayan koşullar altında yayınlanmıştır; beraberindeki etiketleme yazılımı ayrıca BSD-3 altında lisanslanmıştır. Ticari lisanslama seçenekleri için MIT CSAIL ile iletişime geç.