Veri Hazırlığı#
Veri hazırlama, başarılı computer vision modellerinin temelidir. Ultralytics Platform, eğitim verilerini yüklemeden etiketlemeye ve analize kadar yönetmek için kapsamlı araçlar sağlar.
Watch: Get Started with Ultralytics Platform - Data
Genel Bakış#
Ultralytics Platform'un Veri bölümü şunları yapmana yardımcı olur:
- Yükle: Görselleri, videoları ve veri seti dosyalarını (ZIP,
.tar.gz/.tgziçeren TAR, NDJSON) - URL üzerinden içe aktar, bir arşive veya NDJSON dışa aktarımına doğrudan bağlantı yapıştırarak ya da Roboflow üzerinden yapılabilir
- Bağlan: Google Cloud Storage, Amazon S3 veya Azure Blob Storage ve verilerini bir kopyasını yüklemeden yerinde kullan
- Enterprise On Premise CPU/GPU çalışanları ile pikselleri yerinde tut
- Etiketle: Manuel çizim araçları ve SAM destekli akıllı etiketleme ile — SAM 2.1 veya yeni SAM 3 arasından seçim yap
- Sınıfları tüm veri kümesi boyunca yeniden adlandırarak, yeniden renklendirerek, birleştirerek ve silerek sınıfları yönet
- İstatistikler, görselleştirmeler ve gömme tabanlı kümeleme ile verilerini analiz et
- Yerel eğitim için NDJSON format formatında 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 |
|---|---|
| Yükleme | Görselleri, videoları veya arşivleri otomatik işleme ile içe aktar |
| Etiketle | Verileri manuel araçlarla etiketle veya detect, segment, semantic ve OBB için SAM annotation kullan |
| Analiz et | Sınıf dağılımlarını, mekansal ısı haritalarını, boyut istatistiklerini ve gömme kümelerini görüntüle |
| Dışa Aktar | Çevrimdışı kullanım için NDJSON format formatında indir |
Desteklenen Görevler#
Ultralytics Platform veri setleri tüm 7 YOLO görev türünü destekler:
| Görev | Açıklama | Etiketleme Aracı |
|---|---|---|
| Detect | Sınırlayıcı kutularla nesne tespiti | Dikdörtgen aracı |
| Segment | Piksel maskeleri ile örnek segmentasyonu | Çokgen aracı |
| Semantic | Sınıf başına piksel bölgeleri ile anlamsal segmentasyon | Çokgen aracı |
| Depth | Piksel başına metrik derinlik haritaları | İçe aktarılan hedefler |
| Classify | Görsel düzeyinde sınıflandırma | Sınıf seçici |
| Pose | Yerleşik ve özel iskelet şablonları ile anahtar nokta tahmini | Anahtar nokta aracı |
| OBB | Döndürülmüş nesneler için yönlendirilmiş sınırlayıcı kutular | Yönlendirilmiş kutu aracı |
Görev türü bir veri seti oluşturulurken belirlenir ve hangi açıklama araçlarının kullanılabilir olacağını belirler. Bunu daha sonra veri seti başlığındaki görev seçicisinden değiştirebilirsin, ancak geçiş yaptıktan sonra uyumsuz açıklamalar görüntülenmez. Derinliğe geçiş yapmak veya derinlikten çıkmak yalnızca veri seti boşken mümkündür — bkz. Edit Dataset.
Temel Özellikler#
Akıllı Depolama#
Ultralytics Platform depolamayı verimli bir şekilde yönetir:
- Tekilleştirme: Aynı veri bölgesindeki özdeş görseller bir kez saklanır
- Bütünlük: Yüklenenler veri bütünlüğü açısından doğrulanır
- Verimlilik: Optimize edilmiş depolama ve hızlı işleme
Veri Kümesi URI'leri#
ul:// URI formatını kullanarak veri seti referansı ver (bkz. Using Platform Datasets):
yolo train data=ul://username/datasets/my-datasetBu, API key yapılandırılmış herhangi bir makineden platformun veri setleri üzerinde eğitim yapılmasına olanak tanır.
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 setinin değiştirilemez NDJSON anlık görüntülerini oluştur. Her sürüm, oluşturulduğu anki görsel sayısını, sınıf sayısını ve etiket sayısını yakalar. Ayrıntılar için bkz. Versions Tab.
Veri Kümesi Sekmeleri#
Veri kümesi sayfaları, veri kümesinin durumuna ve izinlerine bağlı olarak altı sekmeye kadar gösterebilir:
| Sekme | Açıklama |
|---|---|
| Görüntüler | Görselleri etiket katmanlarıyla ızgara, kompakt veya tablo görünümünde incele |
| Classes | Sınıf başına etiket sayılarıyla sınıfları görüntüle, yeniden adlandır, yeniden renklendir, birleştir ve sil |
| Grafikler | Otomatik istatistikler: dağılım ayrımı, sınıf sayıları, ısı haritaları |
| Modeller | Metrikler ve durum ile bu veri setinde eğitilmiş Models |
| Sürümler | Tekrarlanabilirlik için değiştirilemez NDJSON anlık görüntüleri oluştur, indir ve geri yükle |
| Hatalar | Hata ayrıntıları ve düzeltme rehberliği ile işlenemeyen görseller |
Classes, veri setinin görselleri olduğunda ve görevinin sınıfları olduğunda görünür; Charts ise her görseli olduğunda görünür. Errors yalnızca işleme hataları mevcut olduğunda görünür. Versions, düzenleme erişimin olduğunda veya sürümler halihazırda mevcut olduğunda salt okunur modda görünür.
Kümeleme#
Görsel olarak benzer görsellerin birbirine yakın durduğu interaktif bir 2D saçılım grafiği olarak veri kümeni keşfet; bu, kümeleri, kopyaları ve aykırı değerleri ortaya çıkarmak ve bölünmelerin veya sınıfların verilerin arasında nasıl dağıldığını incelemek için faydalıdır. Galeriyi bu görsellere göre filtrelemek için grafiğin bir bölgesini laçolayın (seçin). Analiz için 20 ile 200.000 arasında hatasız görsel gerekir. Ayrıntılar için Clustering sayfasına göz at.
İstatistikler ve Görselleştirme#
Charts sekmesi şunlar dahil otomatik analiz sağlar:
- Dağılım Ayrımı: Eğitim/doğrulama/test görsel sayılarını gösteren pasta grafik
- En Sık Kullanılan Sınıflar: En sık kullanılan 10 etiket sınıfının halka grafiği
- Görsel Boyutları: Görsel genişliği ve yükseklik dağılımının histogramı (piksel cinsinden)
- Görsel Boyutları 2D: En boy oranı kılavuz çizgileriyle genişliğe karşı yükseklik 2D ısı haritası
- Etiket Konumları: Sınırlayıcı kutu merkez konumlarının 2D ısı haritası
- Örnek Başına Nokta: Çokgen köşesi veya anahtar nokta sayısı dağılımı (segmentasyon/pose veri kümeleri)
Tam liste için Charts tab sekmesine göz at.
Hızlı Bağlantılar#
- Datasets: Eğitim verilerini yükle, yönet ve dışa aktar
- Annotation: Manuel ve yapay zeka destekli araçlarla verileri etiketle
- Cloud Training: Modelleri etiketlenmiş veri setlerin üzerinde eğit
- Dataset URI: Her yerden eğitim yapmak için
ul://URI'lerini kullan
SSS#
Ultralytics Platform şunları destekler:
Görseller: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (her biri maksimum 50MB)
Videolar: MP4, WebM, MOV, MKV, M4V (maks 1GB, kareler 1 FPS hızında çıkarılır, maks 100 kare)
Veri kümesi dosyaları:
.tar.gzve.tgziçeren ZIP veya TAR arşivleri (Free'de maksimum 10GB, Pro'da 20GB, Enterprise'da 50GB), isteğe bağlı YOLO-format veya COCO JSON etiketleri içeren görsellerin yanı sıra NDJSON dışa aktarımları barındırırBu arşiv veya NDJSON formatlarından 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 Ücretsiz 100 GB Pro 500 GB Enterprise Sınırsız Bireysel dosya sınırları: Görseller 50MB, Videolar 1GB, veri kümeleri Ücretsiz planda 10GB / Pro'da 20GB / Enterprise'da 50GB
Evet! Yerel olarak eğitim yapmak için veri kümesi URI formatını kullan:
export ULTRALYTICS_API_KEY="YOUR_API_KEY" yolo train model=yolo26n.pt data=ul://username/datasets/my-dataset epochs=100Veya meta verilerini, bölümlerini, etiketlerini ve imzalı görsel URL'lerini aktarmak için veri setini NDJSON format formatında dışa aktar.