Veri Hazırlama
Veri hazırlığı, başarılı bilgisayarlı görü modellerinin temelidir. Ultralytics Platform, eğitim verilerini yüklemeden etiketlemeye ve analize kadar yönetmen için kapsamlı araçlar sunar.
Watch: Get Started with Ultralytics Platform - Data
Genel Bakış
Ultralytics Platform'un Veri bölümü şunları yapmana yardımcı olur:
- Yükle: Resimler, videolar ve veri kümesi dosyaları (ZIP,
.tar.gz/.tgzdahil TAR, NDJSON) - Etiketle: Manuel çizim araçları ve SAM destekli akıllı etiketleme ile — SAM 2.1 veya yeni SAM 3 arasından seçim yap
- Analiz Et: Verilerini istatistikler ve görselleştirmelerle incele
- Dışa Aktar: Yerel eğitim için NDJSON formatında dışa aktar
İş Akışı
graph LR
A[Upload] --> B[Annotate]
B --> C[Analyze]
C --> D[Train]
style A fill:#4CAF50,color:#fff
style B fill:#2196F3,color:#fff
style C fill:#FF9800,color:#fff
style D fill:#9C27B0,color:#fff| Aşama | Açıklama |
|---|---|
| Yükle | Resimleri, videoları veya arşivleri otomatik işlemeyle içe aktar |
| Etiketle | Verileri 5 görev türünün tamamı için manuel araçlarla etiketle veya detect, segment ve OBB için SAM etiketlemesini kullan |
| Analiz Et | Sınıf dağılımlarını, uzamsal ısı haritalarını ve boyut istatistiklerini görüntüle |
| Dışa Aktar | Çevrimdışı kullanım için NDJSON formatında indir |
Desteklenen Görevler
Ultralytics Platform, 5 YOLO görev türünün tamamını destekler:
| Görev | Açıklama | Etiketleme Aracı |
|---|---|---|
| Detect | Sınırlayıcı kutular (bounding box) ile nesne algılama | Dikdörtgen aracı |
| Segment | Piksel maskeleri ile örnek segmentasyonu | Çokgen aracı |
| Pose | Yerleşik ve özel iskelet şablonları ile anahtar nokta tahmini | Anahtar nokta aracı |
| OBB | Döndürülmüş nesneler için yönlendirilmiş sınırlayıcı kutular | Yönlendirilmiş kutu aracı |
| Classify | Resim düzeyi sınıflandırma | Sınıf seçici |
Görev türü, bir veri kümesi oluşturulurken ayarlanır ve hangi etiketleme araçlarının kullanılabilir olduğunu belirler. Bunu daha sonra veri kümesi başlığındaki görev seçiciden değiştirebilirsin, ancak geçiş yaptıktan sonra uyumlu olmayan etiketler görüntülenmeyecektir.
Temel Özellikler
Akıllı Depolama
Ultralytics Platform, verimli veri yönetimi için İçerik Adreslenebilir Depolama (CAS) kullanır:
- Tekilleştirme: Özdeş resimler XXH3-128 hashing yöntemi ile sadece bir kez saklanır
- Bütünlük: Hash tabanlı adresleme veri bütünlüğünü sağlar
- Verimlilik: Optimize edilmiş depolama ve hızlı işleme
Veri Kümesi URI'leri
ul:// URI formatını kullanarak veri kümelerine referans ver (bkz: Platform Veri Kümelerini Kullanma):
yolo train data=ul://username/datasets/my-datasetBu, API anahtarın yapılandırılmış olduğu herhangi bir makineden platformun veri kümeleri üzerinde eğitim yapmana 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 kümenin değişmez NDJSON anlık görüntülerini oluştur. Her sürüm, oluşturulduğu andaki resim sayılarını, sınıf sayılarını ve etiket sayılarını yakalar. Ayrıntılar için Sürümler Sekmesine bak.
Veri Kümesi Sekmeleri
Veri kümesi sayfaları, veri kümesi durumuna ve izinlerine bağlı olarak altı sekmeye kadar gösterebilir:
| Sekme | Açıklama |
|---|---|
| Görüntüler | Etiket katmanları ile ızgara, kompakt veya tablo görünümünde resimlere göz at |
| Sınıflar | Sınıf adlarını, renklerini ve sınıf başına etiket sayılarını görüntüle ve düzenle |
| Grafikler | Otomatik istatistikler: dağılım, sınıf sayıları, ısı haritaları |
| Modeller | Bu veri kümesi üzerinde eğitilmiş, metrikleri ve durumu olan Modeller |
| Sürümler | Tekrarlanabilir eğitim için değişmez NDJSON anlık görüntüleri oluştur ve indir |
| Hatalar | Hata detayları ve düzeltme rehberi ile işlenemeyen resimler |
Classes ve Charts sekmeleri veri kümesinde resim olduğunda görünür. Errors sadece işlem hataları olduğunda görünür. Versions sahipler için, veya sürümler zaten mevcutsa sahip olmayanlar için görünür.
Kümeleme
Veri kümeni, görsel olarak benzer resimlerin birbirine yakın durduğu etkileşimli bir 2D dağılım grafiği olarak keşfet — kümeleri, kopyaları ve aykırı değerleri ortaya çıkarmak ve verilerin genelinde dağılımın nasıl bölündüğünü veya sınıflandırıldığını incelemek için kullanışlıdır. Galeriyi bu resimlere filtrelemek için grafiğin bir bölgesini kementle (lasso) seç. Ayrıntılar için Kümeleme kısmına bak.
İstatistikler ve Görselleştirme
Charts sekmesi şunlar dahil otomatik analiz sağlar:
- Dağılım: Train/val/test resim sayılarının pasta grafiği
- En Çok Kullanılan Sınıflar: En sık görülen etiket sınıflarının pasta grafiği
- Resim Genişlikleri: Resim genişliği dağılımının histogramı
- Resim Yükseklikleri: Resim yüksekliği dağılımının histogramı
- Örnek Başına Noktalar: Çokgen köşe veya anahtar nokta sayısı dağılımı (segment/pose veri kümeleri)
- Etiket Konumları: Sınırlayıcı kutu merkez konumlarının 2D ısı haritası
- Resim Boyutları: En boy oranı kılavuz çizgileriyle genişliğe karşı yükseklik 2D ısı haritası
Hızlı Bağlantılar
- Veri Kümeleri: Eğitim verilerini yükle, yönet ve dışa aktar
- Etiketleme: Verileri manuel ve yapay zeka destekli araçlarla etiketle
- Bulut Eğitimi: Modellerini etiketli veri kümelerin üzerinde eğit
- Veri Kümesi URI: Her yerden eğitim yapmak için
ul://URI'lerini kullan
SSS
Yükleme için hangi dosya formatları desteklenir?
Ultralytics Platform şunları destekler:
Resimler: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (her biri en fazla 50MB)
Videolar: MP4, WebM, MOV, AVI, MKV, M4V (en fazla 1GB, 1 FPS'de kareler çıkarılır, en fazla 100 kare)
Veri kümesi dosyaları: ZIP veya .tar.gz ve .tgz dahil TAR arşivleri (Free'de 10GB, Pro'da 20GB, Enterprise'da 50GB'a kadar), isteğe bağlı YOLO formatında etiketler içeren resimler ve NDJSON dışa aktarımları
Maksimum veri kümesi boyutu nedir?
Depolama limitleri planına bağlıdır:
| Plan | Depolama Limiti |
|---|---|
| Ücretsiz | 100 GB |
| Pro | 500 GB |
| Enterprise | Sınırsız |
Bireysel dosya limitleri: Resimler 50MB, Videolar 1GB, veri kümeleri Free'de 10GB / Pro'da 20GB / Enterprise'da 50GB
Platform veri kümelerimi yerel eğitim için kullanabilir miyim?
Evet! Yerel olarak eğitmek 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 tamamen çevrimdışı eğitim için veri kümeni NDJSON formatında dışa aktar.