Link to this sectionCityscapes Veri Seti#

Cityscapes veri kümesi, 50 Avrupa şehrinde çekilmiş kentsel sokak sahnelerine ait, 19 sınıf genelinde 2.975 hassas şekilde etiketlenmiş eğitim görüntüsü ve 500 doğrulama görüntüsü içeren büyük ölçekli bir anlamsal bölümleme kıyaslama kümesidir. Otonom sürüş araştırmaları ve Ultralytics YOLO modelleriyle kentsel sahne anlama için en yaygın kullanılan veri kümelerinden biridir.

Link to this sectionTemel Özellikler#

• Cityscapes hassas etiketleri, 19 sınıf genelinde 2.975 eğitim görüntüsü ve 500 doğrulama görüntüsü içerir; arşiv ayrıca 1.525 test görüntüsü sunar ancak bu görsellerin yayınlanan maskeleri yalnızca ego-aracı ve görüntü kenarını etiketler — gerçek sınıf etiketleri gizlenmiştir ve resmi test kümesi skorları için tahminlerin Cityscapes değerlendirme sunucusuna gönderilmesi gerekir.
• Veri kümesi; düz, insan, araç, 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.
• ~11 GB'lık manuel indirme işlemini gerçekleştirmeden önce, eğitim hattını 8 görüntülük Cityscapes8 alt kümesiyle test ederek doğrula.

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 boş etiketler 255 olarak eşlenir, böylece eğitim ve değerlendirme dışı bırakılırlar.

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 etiketleri, gerçek zamanlı sahne ayrıştırma, şerit ve engel anlama ve karmaşık kentsel ortamların yoğun piksel düzeyinde anlaşılmasını gerektiren her türlü görevde araştırmalar için değerli kılar. Önceden eğitilmiş YOLO26 anlamsal bölümleme modelleri Cityscapes doğrulama kümesinde 83.6 mIoU değerine kadar ulaşır — tam kıyaslama tablosu için anlamsal bölümleme modelleri sayfasına bak. Cityscapes etiketleri ayrıca tarama ve veri kümesi yönetimi için Ultralytics Platform üzerinde de mevcuttur.

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, Lisans ve Teşekkür#

Cityscapes, özel bir ticari olmayan lisans altında yayınlanmıştır — akademik araştırma ve değerlendirme için ücretsizdir, ancak verilerin ticari kullanımı, lisanslanması veya yeniden dağıtımı Cityscapes ekibinden ayrı bir izin gerektirir.

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 kümesi, 50 Avrupa şehrindeki kentsel sokak sahnelerinin büyük ölçekli bir anlamsal bölümleme kıyaslama kümesidir ve otonom sürüş ile ADAS araştırmaları için standart bir referans olarak yaygın şekilde kullanılır. 19 hassas etiketli değerlendirme sınıfı, yüksek çözünürlüklü görüntüleri ve standartlaştırılmış ortalama Intersection over Union (mIoU) metriği, onu yoğun sahne anlama modelleri için en çok alıntı yapılan kıyaslama kümelerinden biri yapar.

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 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, yoksayılan ve boş etiketleri 255 olarak eşler. test ayrımının maskeleri yalnızca ego-aracı ve kenar bölgelerini etiketlediğinden, yerel mIoU kontrolleri için val ayrımını kullan.

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

Evet. Cityscapes web sitesinde bir hesap oluştur ve leftImg8bit_trainvaltest.zip ile gtFine_trainvaltest.zip arşivlerini (toplam ~11 GB) indir. Her ikisini de cityscapes veri kümesi kök dizinine çıkar — Ultralytics, ilk eğitimini gerçekleştirdiğinde bunları beklenen images/ ve masks/ düzenine göre otomatik olarak yeniden organize eder.

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.

Link to this sectionCityscapes veri kümesi ticari kullanım için ücretsiz mi?#

Hayır. Cityscapes, akademik araştırma, eğitim ve değerlendirmeye izin veren ancak ticari kullanımı, lisanslamayı veya veri kümesinin ya da türev çalışmaların satışını yasaklayan ticari olmayan bir lisans altında yayınlanmıştır. Ticari lisanslama seçenekleri için doğrudan Cityscapes ekibiyle iletişime geç.