Veri Hazırlama#
Veri hazırlama, başarılı computer vision modellerinin temelidir. Ultralytics Platform, yüklemeden açıklamaya ve analize kadar eğitim verilerini yönetmen için kapsamlı araçlar sunar.
Watch: Get Started with Ultralytics Platform - Data
Genel Bakış#
Ultralytics Platform'un Veri bölümü şunları yapmana yardımcı olur:
- Yükle görüntüleri, videoları ve veri kümesi dosyalarını (ZIP,
.tar.gz/.tgziçeren TAR, NDJSON) - URL'den içe aktar bir arşive veya NDJSON dışa aktarımına doğrudan bağlantı yapıştırarak ya da Roboflow üzerinden
- Bağlan Google Cloud Storage, Amazon S3 veya Azure Blob Storage hizmetlerine ve bir kopya yüklemeden verilerini yerinde kullan
- Enterprise Şirket İçi CPU/GPU çalışanlarıyla pikselleri şirket içinde tut
- Notlandır manuel çizim araçları ve SAM destekli akıllı etiketleme ile — SAM 2.1, SAM 3 veya varsayılan SAM 3.1 arasından seçim yap.
- Sınıfları yönet tüm veri kümesi genelinde sınıfları yeniden adlandırarak, renklerini değiştirerek, birleştirerek ve silerek
- Analiz et verilerini istatistikler, görselleştirmeler ve embedding tabanlı kümelemeyle
- Yerel eğitim için NDJSON biçiminde dışa aktar
İş akışı#
graph LR
A[Upload]:::start --> B[Annotate]:::proc
B --> D[Train]:::out
B --> C[Analyze]:::proc
classDef start fill:#4CAF50,color:#fff
classDef proc fill:#2196F3,color:#fff
classDef out fill:#9C27B0,color:#fff| Aşama | Açıklama |
|---|---|
| Yükle | Görüntüleri, videoları veya arşivleri otomatik işleme ile içe aktar |
| Açıklama Ekle | Verileri manuel araçlarla etiketle veya detect, segment, semantic ve OBB için SAM açıklamasını kullan |
| Analiz et | Sınıf dağılımlarını, uzamsal ısı haritalarını, boyut istatistiklerini ve embedding kümelerini görüntüle |
| Dışa Aktar | Çevrimdışı kullanım için NDJSON biçiminde indir |
Desteklenen Görevler#
Ultralytics Platform veri kümeleri, 7 YOLO görev türünün tamamını destekler:
| Görev | Açıklama | Açıklama Aracı |
|---|---|---|
| Detect | Sınırlayıcı kutularla nesne algılama | Dikdörtgen aracı |
| Segment | Piksel maskeleriyle örnek bölütleme | Çokgen aracı |
| Semantic | Sınıf başına piksel bölgeleriyle anlamsal bölütleme | Çokgen aracı |
| Depth | Piksel başına metrik derinlik haritaları | İçe aktarılan hedefler |
| Classify | Görüntü düzeyinde sınıflandırma | Sınıf seçici |
| Pose | Yerleşik ve özel iskelet şablonlarıyla anahtar nokta tahmini | Anahtar nokta aracı |
| OBB | Döndürülmüş nesneler için yönlendirilmiş sınırlayıcı kutular | Yönlendirilmiş kutu aracı |
Görev türü, veri kümesi oluşturulurken ayarlanır ve hangi açıklama araçlarının kullanılabileceğini belirler. Bu türü daha sonra veri kümesi başlığındaki görev seçicisinden değiştirebilirsin, ancak uyumsuz açıklamalar geçişten sonra görüntülenmez. Derinlik görevine geçişe veya derinlik görevinden geçişe yalnızca veri kümesi boşken izin verilir — Veri Kümesini Düzenleme bölümüne bak.
Temel Özellikler#
Akıllı Depolama#
Ultralytics Platform depolamayı verimli bir şekilde yönetir:
- Tekilleştirme: Aynı veri bölgesindeki aynı görüntüler bir kez depolanır
- Bütünlük: Yüklemeler veri bütünlüğü açısından doğrulanır
- Verimlilik: Optimize edilmiş depolama ve hızlı işleme
Veri Kümesi URI'leri#
Veri kümelerine ul:// URI biçimini kullanarak başvur (bkz. Platform Veri Kümelerini Kullanma):
yolo train data=ul://username/datasets/my-datasetBu, yapılandırılmış API anahtarın bulunan herhangi bir makineden Platform veri kümeleriyle eğitim yapmanı sağlar.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)Veri Kümesi Sürümleme#
Tekrarlanabilir eğitim için veri kümenin değiştirilemez NDJSON anlık görüntülerini oluştur. Her sürüm, oluşturulduğu andaki görüntü sayılarını, sınıf sayılarını ve açıklama sayılarını kaydeder. Ayrıntılar için Sürümler Sekmesi bölümüne bak.
Veri Kümesi Sekmeleri#
Veri kümesi sayfalarında, veri kümesinin durumuna ve izinlerine bağlı olarak en fazla altı sekme gösterilebilir:
| Sekme | Açıklama |
|---|---|
| Görüntüler | Açıklama katmanlarıyla görüntülere ızgara, kompakt veya tablo görünümünde göz at |
| Sınıflar | Sınıf başına etiket sayılarıyla sınıfları görüntüle, yeniden adlandır, renklendir, birleştir ve sil |
| Charts | Otomatik istatistikler: bölme dağılımı, sınıf sayıları, ısı haritaları |
| Modeller | Bu veri kümesi üzerinde eğitilen modeller, metrikleri ve durumlarıyla birlikte |
| Sürümler | Tekrarlanabilirlik için değiştirilemez NDJSON anlık görüntüleri oluştur, indir ve geri yükle |
| Hatalar | Hata ayrıntıları ve düzeltme yönergeleriyle işlenemeyen görüntüler |
Classes, veri kümesinde görüntüler bulunduğunda ve görevinde sınıflar olduğunda görünür; Charts ise görüntüler bulunduğu her zaman görünür. Errors yalnızca işleme hataları olduğunda görünür. Versions, düzenleme erişimin olduğunda veya sürümler zaten mevcutken salt okunur modda görünür.
Kümeleme#
Veri setini, görsel olarak benzer görsellerin birbirine yakın durduğu interaktif bir 2D dağılım grafiği olarak incele; kümeleri, kopyaları ve dış değerleri ortaya çıkarmak ve bölümlerin veya sınıfların verilerine nasıl dağıldığını denetlemek için kullanışlıdır. Galeriyi bu görsellere göre filtrelemek için grafiğin bir bölgesini laçoya al. Analiz için 20 ile 200.000 arasında hatasız görsel gerekir. Aynı gömmeler, genel veri setlerinde benzer görselleri bulmanı ve onları verilerine eklemeni sağlar. Ayrıntılar için Kümeleme bölümüne göz at.
İstatistikler ve Görselleştirme#
Charts sekmesi aşağıdakiler dahil otomatik analizler sunar:
- Bölme Dağılımı: train/val/test görüntü sayılarının halka grafiği
- En Sık Sınıflar: En sık kullanılan 10 açıklama sınıfının halka grafiği
- Görüntü Boyutları: Görüntü genişliği ve yüksekliği dağılımının histogramı (piksel cinsinden)
- Görüntü Boyutları 2B: En-boy oranı kılavuz çizgileriyle genişlik ve yüksekliğin 2B ısı haritası
- Açıklama Konumları: Sınırlayıcı kutu merkez konumlarının 2B ısı haritası
- Örnek Başına Nokta: Çokgen köşesi veya anahtar nokta sayısı dağılımı (segment/pose veri kümeleri)
Tam liste için Grafikler sekmesine bak.
Hızlı Bağlantılar#
- Veri Kümeleri: Eğitim verilerini yükle, yönet ve dışa aktar
- Açıklama: Verileri manuel ve yapay zekâ destekli araçlarla etiketle
- Bulut Eğitimi: Modelleri açıklanmış veri kümelerin üzerinde eğit
- Veri Kümesi URI'si: Her yerden eğitim yapmak için
ul://URI'lerini kullan
SSS#
Ultralytics Platform şunları destekler:
Görüntüler: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (her biri en fazla 50MB)
Videolar: MP4, WebM, MOV, MKV, M4V (en fazla 1GB, kareler 1 FPS hızında çıkarılır, en fazla 100 kare)
Veri seti dosyaları: İsteğe bağlı YOLO formatında veya COCO JSON etiketleri ya da anlamsal PNG maskeleri içeren görselleri ve ayrıca NDJSON dışarı aktarımlarını içeren (
.tar.gzve.tgziçeren, Free'de en fazla 10 GB, Pro'da 20 GB, Enterprise'da 50 GB olan) ZIP veya TAR arşivleriBu arşiv veya NDJSON biçimlerinden herhangi biri,
New Datasetiletişim kutusununURLsekmesine doğrudan bir HTTP(S) bağlantısı yapıştırılarak da içe aktarılabilir. Pascal VOC XML etiketleri algılanır ancak içe aktarılmaz.Depolama sınırları planına bağlıdır:
Plan Depolama Sınırı Free 100 GB Pro 500 GB Enterprise Sınırsız Bireysel dosya sınırları: Görüntüler 50MB, videolar 1GB, veri kümeleri Free'de 10GB / Pro'da 20GB / Enterprise'ta 50GB
Evet! Yerel olarak eğitim yapmak için veri kümesi URI biçimini kullan:
export ULTRALYTICS_API_KEY="YOUR_API_KEY" yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100Veya meta verilerini, bölümlerini, açıklamalarını ve imzalı görsel URL'lerini aktarmak için veri kümeni NDJSON biçiminde dışa aktar.