Veri Hazırlama#
Veri hazırlama, başarılı bilgisayarlı görü modellerinin temelidir. Ultralytics Platform, yüklemeden anotasyona ve analize kadar eğitim verilerini yönetmek için kapsamlı araçlar sunar.
İzle: Ultralytics Platform'u kullanmaya başla - Veri
Genel Bakış#
Ultralytics Platform'un Veri bölümü şunları yapmana yardımcı olur:
- Yükle: Görselleri, videoları ve veri kümesi dosyalarını (ZIP,
.tar.gz/.tgzdahil TAR, NDJSON) yükle - URL'den içe aktar: Bir arşive veya NDJSON dışa aktarımına doğrudan bağlantı yapıştırarak ya da Roboflow'dan içe aktar
- Bağla: Google Cloud Storage, Amazon S3 veya Azure Blob Storage hizmetlerini bağla ve verilerini bir kopyasını yüklemeden yerinde kullan
- Kurumsal Şirket İçi CPU/GPU çalışanlarıyla Pikselleri şirket içinde tut
- 1–200 sınıflı tespit veri kümelerinde manuel çizim araçları ve SAM ile Akıllı anotasyon (SAM 2.1, SAM 3 veya varsayılan SAM 3.1), YOLO modelleri ya da sınıf istemiyle çalışan modeller — barındırılan açık kaynaklı veya ücretli sağlayıcı modelleri — kullanarak Anotasyon yap
- Tüm veri kümesindeki sınıfları yeniden adlandırarak, renklerini değiştirerek, birleştirerek ve silerek Sınıfları yönet
- Benzer Görseller Bul veya Benzer Görseller Oluştur özellikleriyle veri kümelerini Genişlet, ardından sakladığın görsellere anotasyon ekle
- Mevcut görsellerdeki veya gelecekteki yüklemelerdeki yüzleri bulanıklaştır
- Verilerini istatistikler, görselleştirmeler ve gömme tabanlı kümelemeyle Analiz et
- Yerel eğitim için NDJSON biçiminde Dışa aktar
İş akışı#
| Aşama | Açıklama |
|---|---|
| Yükle | Otomatik işleme özelliğiyle görselleri, videoları veya arşivleri içe aktar |
| Açıklama Ekle | Verileri manuel araçlarla etiketle veya 1–200 sınıflı tespit veri kümelerinde SAM (tespit, segmentasyon, anlamsal ve OBB), YOLO ya da sınıf istemiyle çalışan modeller — barındırılan açık kaynaklı veya ücretli sağlayıcı modelleri — ile Akıllı anotasyonu kullan |
| Analiz et | Sınıf dağılımlarını, uzamsal ısı haritalarını, boyut istatistiklerini ve gömme kümelerini görüntüle |
| Dışa Aktar | Çevrimdışı kullanım için NDJSON biçiminde indir |
Desteklenen Görevler#
Ultralytics Platform veri kümeleri, 7 YOLO görev türünün tümünü destekler:
| Görev | Açıklama | Anotasyon Aracı |
|---|---|---|
| Tespit | Sınırlayıcı kutularla nesne tespiti | Dikdörtgen aracı |
| Segmentasyon | Piksel maskeleriyle örnek segmentasyonu | Çokgen aracı |
| Anlamsal | Sınıf başına piksel bölgeleriyle anlamsal segmentasyon | Çokgen aracı |
| Derinlik | Piksel başına metrik derinlik haritaları | İçe aktarılan hedefler |
| Sınıflandır | Görsel düzeyinde sınıflandırma | Sınıf seçici |
| Poz | Yerleşik ve özel iskelet şablonlarıyla kilit nokta tahmini | Kilit nokta aracı |
| OBB | Döndürülmüş nesneler için yönlendirilmiş sınırlayıcı kutular | Yönlendirilmiş kutu aracı |
Görev türü, veri kümesi oluşturulurken belirlenir ve hangi anotasyon araçlarının kullanılabileceğini belirler. Bu türü daha sonra veri kümesi başlığındaki görev seçicisinden değiştirebilirsin; ancak geçişten sonra uyumsuz anotasyonlar görüntülenmez. Derinlik görevine geçiş veya derinlik görevinden başka bir türe geçiş yalnızca veri kümesi boşken mümkündür — ayrıntılar için Veri Kümesini Düzenle sayfasına bak.
Temel Özellikler#
Akıllı Depolama#
Ultralytics Platform depolamayı verimli şekilde yönetir:
- Tekilleştirme: Aynı veri bölgesindeki özdeş görseller yalnızca 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 (ayrıntılar için Platform Veri Kümelerini Kullanma sayfasına bak):
yolo train model=yolo26n.pt data=ul://username/datasets/my-datasetBu sayede API anahtarın yapılandırılmış olduğu herhangi bir makineden platformun veri kümeleriyle eğitim yapabilirsin.
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
model.train(data="ul://username/datasets/my-dataset", epochs=100)Veri Kümesi Sürümleri#
Tekrarlanabilir eğitim için veri kümenin değiştirilemez NDJSON anlık görüntülerini oluştur. Her sürüm, oluşturulduğu andaki görsel, sınıf ve anotasyon sayılarını kaydeder. Ayrıntılar için Sürümler Sekmesi sayfasına bak.
Veri Kümesi Sekmeleri#
Veri kümesi sayfalarında, veri kümesinin durumuna ve izinlerine bağlı olarak en fazla altı sekme gösterilebilir:
| Sekme | Açıklama |
|---|---|
| Görseller | Anotasyon katmanlarıyla görsellere ızgara, kompakt veya tablo görünümünde göz at |
| Sınıflar | Sınıfları sınıf başına etiket sayılarıyla görüntüle, yeniden adlandır, renklendir, birleştir ve sil |
| Grafikler | Otomatik istatistikler: bölüm dağılımı, sınıf sayıları, ısı haritaları |
| Modeller | Bu veri kümesinde eğitilen Modeller; metrikler ve durum bilgisiyle birlikte |
| Sürümler | Değiştirilemez NDJSON anlık görüntülerini oluştur, karşılaştır, indir ve geri yükle |
| Hatalar | İşleme sırasında başarısız olan görseller; hata ayrıntıları ve düzeltme önerileriyle birlikte |
Classes, veri kümesinde görseller ve görevinde sınıflar olduğunda görünür; Charts ise görsel bulunduğunda görünür. Errors yalnızca işleme hataları varsa görünür. Versions, düzenleme erişimin olduğunda veya sürümler zaten mevcutsa salt okunur modda görünür.
Kümeleme#
Veri kümeni etkileşimli bir 2B dağılım grafiği olarak incele; görsel açıdan benzer görseller birbirine yakın görünür. Bu görünüm kümeleri, kopyaları ve aykırı değerleri belirlemek, ayrıca bölümlerin veya sınıfların verilerine nasıl dağıldığını incelemek için kullanışlıdır. Bir bölgeyi kementle seç veya galeride yalnızca o görselleri filtrelemek için bir noktaya tıkla. Analiz için hatalı olmayan 20 ila 200.000 görsel gerekir. Aynı gömmeler, herkese açık, kendi ve ekip veri kümelerindeki benzer görselleri bulmanı ve bunları kendi veri kümeni eklemeni sağlar. Ayrıntılar için Kümeleme sayfasına bak.
İstatistikler ve Görselleştirme#
Charts sekmesi, aşağıdakiler dahil otomatik analizler sunar:
- Bölüm Dağılımı: Eğitim/doğrulama/test görsel sayılarının halka grafiği
- Öne Çıkan Sınıflar: En sık kullanılan 10 anotasyon sınıfının halka grafiği
- Görüntü Boyutları: Görüntü genişliği ve yüksekliği dağılımının (piksel cinsinden) histogramı
- 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 Sayısı: Poligon köşesi veya kilit nokta sayısı dağılımı (segmentasyon/poz 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 açıklama eklediğin veri kümeleriyle eğit
- Veri Kümesi URI'si: Her yerden eğitim yapmak için
ul://URI'lerini kullan
Sık Sorulan Sorular#
Ultralytics Platform şunları destekler:
Görüntüler: JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG, MPO (her biri en fazla 50 MB)
Videolar: MP4, WebM, MOV, MKV, M4V (en fazla 1 GB, kareler 1 FPS hızında çıkarılır, en fazla 100 kare)
Veri kümesi dosyaları: Görüntülerle birlikte
.tar.gzve.tgziçeren ZIP veya TAR arşivleri (Free'de en fazla 10 GB, Pro'da 20 GB, Enterprise'da 50 GB); isteğe bağlı olarak YOLO biçiminde, COCO JSON veya LabelMe JSON etiketleri, anlamsal PNG maskeleri veya derinlik haritaları ve ayrıca Ultralytics NDJSON ya da Labelbox NDJSON dışa aktarımları içerebilir.Bu arşiv veya NDJSON biçimlerinden herhangi biri, doğrudan bir HTTP(S) bağlantısı
New Datasetiletişim kutusununURLsekmesine 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 Tekil dosya sınırları: Görüntüler 50 MB, videolar 1 GB, veri kümeleri Free'de 10 GB / Pro'da 20 GB / Enterprise'da 50 GB
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=100Ya da meta verilerini, bölümlerini, açıklamalarını ve imzalı görüntü URL'lerini aktarmak için veri kümeni NDJSON biçiminde dışa aktar.