Link to this sectionCityscapes Veri Kümesi#

Cityscapes veri kümesi, 50 Avrupa şehrinde çekilmiş kentsel sokak sahnelerine odaklanan geniş ölçekli bir anlamsal bölümleme kıyaslama veri kümesidir. 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 ayrıntılı açıklamaları 2.975 eğitim görüntüsü, 500 doğrulama görüntüsü ve 1.525 test görüntüsü içerir.
• Veri kümesi; 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 sonrasında 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 göz ardı edilen veya geçersiz etiketler, eğitim ve değerlendirmenin dışında tutulmaları için 255 olarak eşlenir. Resmi leftImg8bit ve gtFine arşivlerini Cityscapes web sitesinden indirin ve bunları veri kümesi kök dizinine çıkarın; ardından cityscapes.yaml dosyasındaki hazırlık bloğu, görüntüleri ve maskeleri bu düzene göre 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 anlama ve karmaşık kentsel ortamların yoğun piksel düzeyinde anlaşılmasını gerektiren her türlü görev için yapılan araştırmalarda değerli kılar.

Link to this sectionVeri Kümesi YAML#

Bir veri kümesi 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#

Cityscapes veri kümesi üzerinde 1024 görüntü boyutuyla 100 çağ boyunca bir YOLO26n-sem modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut bağımsız değişkenlerin kapsamlı bir listesi için model Eğitim sayfasına bakabilirsin.

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 kümesini araştırmanda veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki 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}
}

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

Link to this sectionSSS#

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

Cityscapes veri kümesi, 50 Avrupa şehrinde çekilmiş kentsel sokak sahnelerine odaklanan geniş ölçekli bir anlamsal bölümleme kıyaslama veri kümesidir. 19 değerlendirme sınıfı genelinde 5.000 ayrıntılı açıklama içeren görüntü içerir, bu da onu otonom sürüş ve kentsel sahne anlama araştırmaları için temel bir kaynak yapar. 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 kümesini kullanarak nasıl YOLO modeli eğitebilirim?#

Cityscapes veri kümesi üzerinde 1024 görüntü boyutuyla 100 çağ boyunca bir YOLO26n-sem modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut bağımsız değişkenlerin ayrıntılı bir listesi için model Eğitim sayfasına bakabilirsin.

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 kümesi nasıl yapılandırılmıştır?#

Hazırlıktan sonra veri kümesi images/{train,val,test}/ ve masks/{train,val,test}/ dizinleri halinde düzenlenir ve her görüntü tek kanallı bir PNG maskesi ile eşleştirilir. Ultralytics YAML dosyası, her görüntüyü masks_dir: masks alanı aracılığıyla maskesiyle eşleştirir ve orijinal Cityscapes etiket kimliklerini standart 19 ardışık eğitim kimliğine dönüştürmek için label_mapping kullanır, göz ardı edilen ve geçersiz etiketleri 255 olarak eşler.

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 arası ardışık sınıf kimliklerine dönüştürür ve göz ardı edilen veya geçersiz etiketlere 255 atar, böylece bunlar eğitim ve doğrulama sırasında kayıp ve metriklerin dışında tutulur.