Link to this sectionCityscapes Veri Seti#

Cityscapes veri kümesi, 50 Avrupa şehrinde çekilmiş kentsel sokak sahnelerine odaklanan büyük ölçekli bir anlamsal bölütleme kıyaslamasıdır. Yüksek kaliteli piksel düzeyinde açıklamalar sağlar ve Ultralytics YOLO modelleri ile otonom sürüş araştırmaları ve kentsel sahne anlama için en yaygın kullanılan veri kümelerinden biridir.

Link to this sectionTemel Özellikler#

• Cityscapes ince açıklamaları 2.975 eğitim görüntüsü, 500 doğrulama görüntüsü ve 1.525 test görüntüsü içerir.
• Veri seti; yol, araç, insan, inşaat, nesne, doğa ve gökyüzü kategorilerini kapsayan 19 değerlendirme sınıfını içerir.
• Cityscapes, anlamsal bölümleme için ortalama Birleşim Üzerinde Kesişim (mIoU) gibi standartlaştırılmış değerlendirme metrikleri sunarak model performansının etkili bir şekilde karşılaştırılmasını sağlar.

Link to this sectionVeri Kümesi Yapısı#

Ultralytics yapılandırması, hazırlık sonrası aşağıdaki düzeni bekler:

cityscapes/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
└── masks/
    ├── train/
    ├── val/
    └── test/

Anlamsal maskeler tek kanallı PNG dosyalarıdır. Orijinal Cityscapes etiket kimlikleri, label_mapping bölümü aracılığıyla standart 19 eğitim kimliğine eşlenir ve yoksayılan veya geçersiz etiketler 255 olarak işaretlenir; böylece eğitim ve değerlendirme sürecinin dışında tutulurlar. Resmi leftImg8bit ve gtFine arşivlerini Cityscapes web sitesinden indirip veri seti kök dizinine çıkarın; cityscapes.yaml içindeki hazırlık bloğu daha sonra görüntüleri ve maskeleri bu düzende organize eder.

Link to this sectionUygulamalar#

Cityscapes is widely used for training and evaluating deep learning models in semantic segmentation, particularly for autonomous driving, advanced driver-assistance systems (ADAS), and urban robotics.

Yüksek çözünürlüklü görüntüleri ve ayrıntılı açıklamaları, onu gerçek zamanlı sahne ayrıştırma, şerit ve engel algılama araştırmaları ve karmaşık kentsel ortamların yoğun piksel düzeyinde anlaşılmasını gerektiren her türlü görev için değerli kılar.

Link to this sectionVeri Kümesi YAML#

Bir veri seti YAML dosyası Cityscapes yollarını, sınıflarını, maske dizinini ve etiket eşlemesini tanımlar. cityscapes.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/cityscapes.yaml adresinde tutulmaktadır.

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

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes
# Example usage: yolo semantic train data=cityscapes.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes ← downloads here (11 GB)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes # dataset root dir
train: images/train # train images (relative to 'path') 2975 images
val: images/val # val images (relative to 'path') 500 images
test: images/test # test images (relative to 'path') 1525 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

# Preparation script (requires manual Cityscapes download)
download: |
  from pathlib import Path
  from shutil import copy2

  cityscapes_dir = Path(yaml["path"])  # dataset root dir
  # Download and extract the official Cityscapes leftImg8bit and gtFine archives into cityscapes_dir first.
  leftimg8bit_dir = cityscapes_dir / "leftImg8bit"
  gtfine_dir = cityscapes_dir / "gtFine"

  for split in ("train", "val", "test"):
      print(f"Processing {split} set")
      src_image_dir = leftimg8bit_dir / split
      dst_image_dir = cityscapes_dir / "images" / split
      dst_mask_dir = cityscapes_dir / "masks" / split
      dst_image_dir.mkdir(parents=True, exist_ok=True)
      dst_mask_dir.mkdir(parents=True, exist_ok=True)

      image_paths = sorted(src_image_dir.rglob("*_leftImg8bit.png"))
      for image_path in image_paths:
          relative_path = image_path.relative_to(src_image_dir)
          mask_path = gtfine_dir / split / relative_path.parent / image_path.name.replace(
              "_leftImg8bit.png", "_gtFine_labelIds.png"
          )
          if not mask_path.exists():
              raise FileNotFoundError(f"Mask not found for {image_path}: {mask_path}")

          image_name = image_path.name.replace("_leftImg8bit", "")
          mask_name = mask_path.name.replace("_gtFine_labelIds", "")
          copy2(image_path, dst_image_dir / image_name)
          copy2(mask_path, dst_mask_dir / mask_name)

Link to this sectionKullanım#

Bir YOLO26n-sem modelini Cityscapes veri seti üzerinde 1024 görüntü boyutuyla 100 dönem boyunca 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="cityscapes.yaml", epochs=100, imgsz=1024)

Link to this sectionAlıntılar ve Teşekkür#

Cityscapes veri setini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu makaleye atıfta bulun:

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Cityscapes ekibine, otonom sürüş ve bilgisayarlı görü toplulukları için bu değerli kaynağı oluşturdukları ve sürdürdükleri için teşekkür ederiz. Cityscapes veri seti ve yaratıcıları hakkında daha fazla bilgi için Cityscapes veri seti web sitesini ziyaret et.

Link to this sectionSSS#

Link to this sectionCityscapes veri seti nedir ve bilgisayarlı görü için neden önemlidir?#

Cityscapes veri seti, 50 Avrupa şehrinden çekilmiş kentsel sokak sahnelerine odaklanan büyük ölçekli bir anlamsal bölümleme kıyaslama veri setidir. 19 değerlendirme sınıfında 5.000 adet ince açıklamalı görüntü içerir ve bu da onu otonom sürüş ve kentsel sahne anlama araştırmaları için temel bir kaynak haline getirir. Yüksek çözünürlüklü görüntüleri, yoğun açıklamaları ve standartlaştırılmış ortalama Birleşim Üzerinde Kesişim (mIoU) metriği, onu yoğun tahmin modellerini kıyaslamak için ideal kılar.

Link to this sectionCityscapes veri setini kullanarak nasıl bir YOLO modeli eğitebilirim?#

Bir YOLO26n-sem modelini Cityscapes veri seti üzerinde 1024 görüntü boyutuyla 100 dönem boyunca 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="cityscapes.yaml", epochs=100, imgsz=1024)

Link to this sectionCityscapes veri seti nasıl yapılandırılmıştır?#

Hazırlıktan sonra veri seti images/{train,val,test}/ ve masks/{train,val,test}/ dizinlerine göre düzenlenir; her görüntü tek kanallı bir PNG maskesiyle eşleştirilir. Ultralytics YAML dosyası, masks_dir: masks alanı aracılığıyla her görüntüyü maskesiyle eşleştirir ve orijinal Cityscapes etiket kimliklerini standart 19 bitişik eğitim kimliğine dönüştürmek için label_mapping kullanır; bu süreçte yoksayılan ve geçersiz etiketler 255 olarak eşlenir.

Link to this sectionCityscapes'i manuel olarak indirmem gerekiyor mu?#

Yes. Cityscapes requires accepting the dataset terms on the official website. Download and extract leftImg8bit and gtFine into the cityscapes dataset root before using the preparation block in cityscapes.yaml to create the expected images/ and masks/ layout.

Link to this sectionCityscapes neden label_mapping kullanıyor?#

Cityscapes kaynak maskeleri, değerlendirme için kullanılan 19 eğitim kimliğinden farklı olan orijinal etiket kimliklerini saklar. label_mapping bölümü, geçerli etiketleri 0–18 arasındaki bitişik sınıf kimliklerine dönüştürür ve yoksayılan veya geçersiz etiketlere 255 atayarak bunların eğitim ve doğrulama sırasındaki kayıp ve metrik hesaplamalarının dışında tutulmasını sağlar.