ADE20K Veri Kümesi#
ADE20K veri kümesi, MIT CSAIL tarafından sunulan ve 150 iç mekân, dış mekân, nesne ve stuff kategorisinde yoğun şekilde etiketlenmiş 20.210 eğitim ve 2.000 doğrulama görüntüsü içeren, büyük ölçekli bir semantik segmentasyon kıyaslama veri kümesidir. Ultralytics YOLO ile yoğun sahne anlama modellerini eğitmek ve değerlendirmek için standart bir kaynaktır.
Temel Özellikler#
- ADE20K'nin tam SceneParsing kıyaslaması toplam 25.562 görüntü içerir: 20.210 eğitim, 2.000 doğrulama ve 3.352 test görüntüsü. Test görüntülerine ait açıklamalar herkese açık olarak yayımlanmadığından, indirilebilir
ADEChallengeData2016arşivi ve Ultralyticsade20k.yamlyapılandırması yalnızca eğitim ve doğrulama bölümlerini kullanır. - Veri kümesi; iç mekân, dış mekân, nesne ve stuff kategorilerine yayılan 150 semantik sınıf içerir.
- Açıklamalar, sahne ayrıştırma için uygun yoğun piksel düzeyinde segmentasyon maskeleridir.
Veri Kümesi Yapısı#
Ultralytics yapılandırması, resmî ADEChallengeData2016 düzenini bekler:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/ADE20K'nin otomatik indirme betiği yoktur. ~1 GB boyutundaki ADEChallengeData2016.zip arşivini indirin ve doğrudan datasets/ klasörünüze çıkarın. Arşivin kendi üst düzey klasörü zaten ADEChallengeData2016/ olarak adlandırılmıştır; böylece yukarıdaki düzenle eşleşen datasets/ADEChallengeData2016/ oluşur — kendiniz bir ADEChallengeData2016 klasörü oluşturup arşivi onun içine çıkarmayın; aksi hâlde YAML dosyasının bulamayacağı iç içe bir datasets/ADEChallengeData2016/ADEChallengeData2016/ dizini oluşur.
masks_dir alanı annotations olarak ayarlanmıştır; bu nedenle images/ altındaki her görüntü, annotations/ altındaki karşılık gelen maskeyle eşleştirilir. Orijinal ADE20K maskeleri, 0 değerinin yok sayıldığı kaynak etiket kimliklerini kullanır; label_mapping bölümü geçerli 1 ile 150 arasındaki etiketleri ardışık 0 ile 149 arasındaki eğitim kimliklerine dönüştürür ve yok sayılan pikselleri 255 ile eşler.
Uygulamalar#
ADE20K, semantik segmentasyon ve sahne ayrıştırmada derin öğrenme modellerini eğitmek ve değerlendirmek için yaygın olarak kullanılır. Çeşitli kategori kümesi ve karmaşık sahneleri, onu otonom navigasyon, robotik, artırılmış gerçeklik ve görüntü düzenleme gibi uygulamalar için değerli kılar.
İç ve dış mekân sahnelerinin kapsamı, ADE20K'yi modellerin alanlar arası genellemesini değerlendirmek için güçlü bir kıyaslama veri kümesi hâline getirir. Önceden eğitilmiş YOLO26 semantik segmentasyon modelleri, ADE20K doğrulama kümesinde 51.5 mIoU değerine ulaşır — tam kıyaslama tablosu için semantik segmentasyon modelleri sayfasına bakın. ADE20K biçimindeki veri kümeleri, veri kümesi yönetimi ve eğitim için Ultralytics Platform ile de tamamen uyumludur.
Veri Kümesi YAML'i#
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): https://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipKullanım#
ADE20K veri kümesi üzerinde 512 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-sem modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bakın.
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)Atıflar, Lisans ve Teşekkürler#
ADE20K görüntüleri yalnızca ticari olmayan araştırma ve eğitim amaçlı kullanım için yayımlanmıştır; veri kümesinin açıklama yazılımı ayrıca BSD-3 kapsamında lisanslanmıştır. Ticari kullanım için MIT CSAIL'den izin alınması gerekir.
ADE20K veri kümesini araştırma veya geliştirme çalışmalarında kullanırsanız lütfen aşağıdaki makaleye atıfta bulunun:
@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 oluşturan ve sürdüren MIT CSAIL Computer Vision Group'a teşekkür ederiz. ADE20K veri kümesi ve geliştiricileri hakkında daha fazla bilgi için ADE20K veri kümesi web sitesini ziyaret edin.
SSS#
ADE20K veri kümesi, semantik segmentasyon için kullanılan, 150 iç mekân, dış mekân, nesne ve stuff sınıfını kapsayan 20.210 eğitim ve 2.000 doğrulama görüntüsünün herkese açık olarak yayımlandığı, büyük ölçekli bir sahne ayrıştırma kıyaslama veri kümesidir. Araştırmacılar ADE20K'yi çeşitli sahneleri, ince ayrıntılı kategori kümesi ve yoğun tahmin modellerini kıyaslamak için ideal olan ortalama Kesişim-Birleşim (mIoU) gibi standartlaştırılmış değerlendirme ölçütleri nedeniyle kullanır.
ADE20K veri kümesi üzerinde 512 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-sem modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin ayrıntılı listesi için modelin Eğitim sayfasına bakın.
Eğitim Örneğifrom 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, görüntülerin
images/training/veimages/validation/altında, karşılık gelen maskelerin iseannotations/training/veannotations/validation/altında düzenlendiği resmî ADEChallengeData2016 düzenini izler. Ultralytics YAML dosyası,masks_dir: annotationsalanı aracılığıyla her görüntüyü maskesiyle eşleştirir ve kaynak etiket kimlikleri1–150değerlerini ardışık eğitim kimlikleri0–149değerlerine dönüştürmek içinlabel_mappingöğesini kullanarak yok sayma etiketini255ile eşler.Evet.
ADEChallengeData2016.ziparşivini (~1 GB) indirin ve eğitimden önce doğrudandatasets/klasörünüze çıkarın — arşivin kendi üst düzey klasörü zatenADEChallengeData2016/olarak adlandırılmıştır; bu nedenle arşivi (kendiniz oluşturacağınız ayrı birADEChallengeData2016klasörüne değil) buraya çıkarmak,ade20k.yamltarafından beklenenimages/veannotations/düzenini oluşturur.ADE20K açıklama maskeleri,
0değerinin yok sayma veya arka plan sınıfını belirttiği kaynak etiket kimliklerini depolar.label_mappingbölümü, geçerli1ile150arasındaki etiketleri ardışık0ile149arasındaki eğitim kimliklerine eşler ve yok sayılan piksellere255atayarak bunların eğitim ve doğrulama sırasında kayıp ve ölçütlerin dışında tutulmasını sağlar.Hayır. ADE20K görüntüleri kullanımı ticari olmayan araştırma ve eğitimle sınırlayan koşullar kapsamında yayımlanmıştır; beraberindeki açıklama yazılımı ayrıca BSD-3 kapsamında lisanslanmıştır. Ticari lisans seçenekleri için MIT CSAIL ile iletişime geçin.