Cityscapes Veri Kümesi#

Cityscapes veri kümesi, 50 Avrupa şehrinde çekilmiş kentsel sokak sahnelerinden oluşan, geniş ölçekli bir anlamsal segmentasyon kıyaslama veri kümesidir. 19 sınıfta, ayrıntılı biçimde etiketlenmiş 2.975 eğitim ve 500 doğrulama görüntüsü içerir. Otonom sürüş araştırmaları ve Ultralytics YOLO modelleriyle kentsel sahne anlama alanlarında en yaygın kullanılan veri kümelerinden biridir.

Temel Özellikler#

• Cityscapes'in ayrıntılı açıklamaları 19 sınıfta 2.975 eğitim ve 500 doğrulama görüntüsü içerir; arşivde ayrıca 1.525 test görüntüsü de bulunur, ancak yayımlanan maskeler yalnızca ego aracını ve görüntü kenarını etiketler — gerçek sınıf açıklamaları paylaşılmaz ve resmî test kümesi puanları için tahminlerin Cityscapes değerlendirme sunucusuna gönderilmesi gerekir.
• Veri kümesi; düz yüzey, insan, araç, yapı, nesne, doğa ve gökyüzü kategorilerine yayılan 19 değerlendirme sınıfını kapsar.
• Cityscapes, anlamsal segmentasyonda modellerin performansını etkili biçimde karşılaştırmayı sağlayan ortalama Kesişim-Birleşim (mIoU) gibi standart değerlendirme metrikleri sunar.
• ~11 GB boyutundaki manuel indirmeyi başlatmadan önce, 8 görüntülük Cityscapes8 alt kümesiyle eğitim işlem hattının sorunsuz çalıştığını kontrol et.

Veri Kümesi Yapısı#

Ultralytics yapılandırması, hazırlık sonrasında aşağıdaki klasör yapısını bekler:

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

Anlamsal maskeler tek kanallı PNG dosyalarıdır. Özgün Cityscapes etiket kimlikleri, standart 19 eğitim kimliğine label_mapping bölümü aracılığıyla eşlenir; yok sayılan veya boş etiketler, eğitim ve değerlendirme dışında tutulmaları için 255 değerine eşlenir.

Uygulamalar#

Cityscapes; özellikle otonom sürüş, gelişmiş sürücü destek sistemleri (ADAS) ve kentsel robotik alanlarında, anlamsal segmentasyon için derin öğrenme modellerinin eğitiminde ve değerlendirilmesinde yaygın olarak kullanılır.

Yüksek çözünürlüklü görüntüleri ve ayrıntılı açıklamaları, gerçek zamanlı sahne ayrıştırma, şerit ve engel algılama ile karmaşık kentsel ortamlarda pikselleri yoğun biçimde anlamayı gerektiren tüm görevlerde de araştırma açısından değer taşır. Önceden eğitilmiş YOLO26 anlamsal segmentasyon modelleri, Cityscapes doğrulama kümesinde 83,6 mIoU değerine ulaşır — kıyaslama tablosunun tamamı için anlamsal segmentasyon modelleri sayfasına bak. Model geliştirme iş akışının her aşamasında Cityscapes verilerini Ultralytics Platform ile düzenleyebilir, görselleştirebilir ve yönetebilirsin.

Veri Kümesi YAML Dosyası#

Bir veri kümesi YAML dosyası; Cityscapes yollarını, sınıfları, maske dizinini ve etiket eşlemesini tanımlar. cityscapes.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/cityscapes.yaml konumunda tutulur.

# 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)

Kullanım#

Cityscapes veri kümesinde 1024 görüntü boyutuyla 100 epoch boyunca YOLO26n-sem modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-sem.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="cityscapes.yaml", epochs=100, imgsz=1024)

Atıflar, Lisans ve Teşekkür#

Cityscapes, özel bir ticari olmayan lisans altında yayımlanır — akademik araştırma ve değerlendirme için ücretsizdir, ancak verilerin ticari amaçla kullanılması, lisanslanması veya yeniden dağıtılması Cityscapes ekibinden ayrıca izin alınmasını gerektirir.

Cityscapes veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleyi kaynak göster:

@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 oluşturup sürdürdükleri için Cityscapes ekibine teşekkür ederiz. Cityscapes veri kümesi ve oluşturucuları hakkında daha fazla bilgi için Cityscapes veri kümesi web sitesini ziyaret et.

Sık Sorulan Sorular#