Referans için ultralytics/data/dataset.py
Not
Bu dosya https://github.com/ultralytics/ultralytics/blob/main/ ultralytics/data/dataset .py adresinde mevcuttur. Bir sorun tespit ederseniz lütfen bir Çekme İsteği 🛠️ ile katkıda bulunarak düzeltilmesine yardımcı olun. Teşekkürler 🙏!
ultralytics.data.dataset.YOLODataset
Üsler: BaseDataset
Nesne algılama ve/veya segmentasyon etiketlerini YOLO biçiminde yüklemek için veri kümesi sınıfı.
Parametreler:
İsim | Tip | Açıklama | Varsayılan |
---|---|---|---|
data |
dict
|
Bir veri kümesi YAML sözlüğü. Varsayılan değer Yok'tur. |
None
|
task |
str
|
Geçerli görevi işaret etmek için açık bir arg, Varsayılan değer 'detect'. |
'detect'
|
İade:
Tip | Açıklama |
---|---|
Dataset
|
Bir nesne algılama modelini eğitmek için kullanılabilecek bir PyTorch veri kümesi nesnesi. |
Kaynak kodu ultralytics/data/dataset.py
45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 |
|
__init__(*args, data=None, task='detect', **kwargs)
YOLODataset'i segmentler ve anahtar noktalar için isteğe bağlı yapılandırmalarla başlatır.
Kaynak kodu ultralytics/data/dataset.py
build_transforms(hyp=None)
Dönüşümleri oluşturur ve listeye ekler.
Kaynak kodu ultralytics/data/dataset.py
cache_labels(path=Path('./labels.cache'))
Veri kümesi etiketlerini önbelleğe alın, görüntüleri kontrol edin ve şekilleri okuyun.
Parametreler:
İsim | Tip | Açıklama | Varsayılan |
---|---|---|---|
path |
Path
|
Önbellek dosyasının kaydedileceği yol. Varsayılan değer Path('./labels.cache') şeklindedir. |
Path('./labels.cache')
|
İade:
Tip | Açıklama |
---|---|
dict
|
etiketler. |
Kaynak kodu ultralytics/data/dataset.py
close_mosaic(hyp)
Mozaik, copy_paste ve mixup seçeneklerini 0.0 olarak ayarlar ve dönüşümleri oluşturur.
Kaynak kodu ultralytics/data/dataset.py
collate_fn(batch)
staticmethod
Veri örneklerini gruplar halinde harmanlar.
Kaynak kodu ultralytics/data/dataset.py
get_labels()
YOLO eğitimi için etiket sözlüğünü döndürür.
Kaynak kodu ultralytics/data/dataset.py
update_labels_info(label)
Etiket formatınızı buradan özelleştirin.
Not
cls artık bbox'larla birlikte değil, sınıflandırma ve anlamsal segmentasyon bağımsız bir cls etiketine ihtiyaç duyuyor Buraya dikte anahtarları ekleyerek veya çıkararak sınıflandırma ve anlamsal segmentasyonu da destekleyebilir.
Kaynak kodu ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOMultiModalDataset
Üsler: YOLODataset
Nesne algılama ve/veya segmentasyon etiketlerini YOLO biçiminde yüklemek için veri kümesi sınıfı.
Parametreler:
İsim | Tip | Açıklama | Varsayılan |
---|---|---|---|
data |
dict
|
Bir veri kümesi YAML sözlüğü. Varsayılan değer Yok'tur. |
None
|
task |
str
|
Geçerli görevi işaret etmek için açık bir arg, Varsayılan değer 'detect'. |
'detect'
|
İade:
Tip | Açıklama |
---|---|
Dataset
|
Bir nesne algılama modelini eğitmek için kullanılabilecek bir PyTorch veri kümesi nesnesi. |
Kaynak kodu ultralytics/data/dataset.py
__init__(*args, data=None, task='detect', **kwargs)
İsteğe bağlı özelliklerle nesne algılama görevleri için bir veri kümesi nesnesini başlatır.
build_transforms(hyp=None)
Çok modlu eğitim için isteğe bağlı metin artırma ile veri dönüşümlerini geliştirir.
Kaynak kodu ultralytics/data/dataset.py
update_labels_info(label)
Çok modlu model eğitimi için metin bilgisi ekleyin.
Kaynak kodu ultralytics/data/dataset.py
ultralytics.data.dataset.GroundingDataset
Üsler: YOLODataset
Kaynak kodu ultralytics/data/dataset.py
__init__(*args, task='detect', json_file, **kwargs)
Belirtilen bir JSON dosyasından ek açıklamaları yükleyerek nesne algılama için bir GroundingDataset başlatır.
Kaynak kodu ultralytics/data/dataset.py
build_transforms(hyp=None)
İsteğe bağlı metin yükleme ile eğitim için güçlendirmeleri yapılandırır; hyp
büyütme yoğunluğunu ayarlar.
Kaynak kodu ultralytics/data/dataset.py
get_img_files(img_path)
get_labels()
Bir JSON dosyasından ek açıklamaları yükler, filtreler ve her görüntü için sınırlayıcı kutuları normalleştirir.
Kaynak kodu ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOConcatDataset
Üsler: ConcatDataset
Birden fazla veri kümesinin birleştirilmesi olarak veri kümesi.
Bu sınıf, mevcut farklı veri kümelerini bir araya getirmek için kullanışlıdır.
Kaynak kodu ultralytics/data/dataset.py
ultralytics.data.dataset.SemanticDataset
Üsler: BaseDataset
Semantik Segmentasyon Veri Kümesi.
Bu sınıf, anlamsal segmentasyon görevleri için kullanılan veri kümelerini işlemekten sorumludur. İşlevleri miras alır BaseDataset sınıfından.
Not
Bu sınıf şu anda bir yer tutucudur ve aşağıdakileri desteklemek için yöntemler ve niteliklerle doldurulması gerekir anlamsal segmentasyon görevleri.
Kaynak kodu ultralytics/data/dataset.py
ultralytics.data.dataset.ClassificationDataset
Torchvision ImageFolder'ı YOLO sınıflandırma görevlerini destekleyecek şekilde genişletir ve görüntü gibi işlevler sunar artırma, önbelleğe alma ve doğrulama. Derin veri analizi eğitimi için büyük veri kümelerini verimli bir şekilde işlemek üzere tasarlanmıştır. Eğitimi hızlandırmak için isteğe bağlı görüntü dönüşümleri ve önbellekleme mekanizmaları ile öğrenme modelleri.
Bu sınıf hem torchvision hem de Albumentations kütüphanelerini kullanarak büyütmelere izin verir ve görüntüleri önbelleğe almayı destekler Eğitim sırasında IO ek yükünü azaltmak için RAM'de veya diskte. Ek olarak, sağlam bir doğrulama süreci uygular veri bütünlüğünü ve tutarlılığını sağlamak için.
Nitelikler:
İsim | Tip | Açıklama |
---|---|---|
cache_ram |
bool
|
RAM'de önbelleğe almanın etkin olup olmadığını gösterir. |
cache_disk |
bool
|
Disk üzerinde önbelleğe almanın etkin olup olmadığını gösterir. |
samples |
list
|
Her biri bir görüntünün yolunu, sınıf dizinini, .npy önbelleğinin yolunu içeren bir tuple listesi dosyası (diskte önbelleğe alınıyorsa) ve isteğe bağlı olarak yüklenen görüntü dizisi (RAM'de önbelleğe alınıyorsa). |
torch_transforms |
callable
|
PyTorch görüntülere uygulanacak dönüşümler. |
Kaynak kodu ultralytics/data/dataset.py
384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 |
|
__getitem__(i)
Verilen indekslere karşılık gelen veri ve hedeflerin alt kümesini döndürür.
Kaynak kodu ultralytics/data/dataset.py
__init__(root, args, augment=False, prefix='')
YOLO nesnesini kök, görüntü boyutu, büyütmeler ve önbellek ayarlarıyla başlatın.
Parametreler:
İsim | Tip | Açıklama | Varsayılan |
---|---|---|---|
root |
str
|
Görüntülerin sınıfa özgü bir klasör yapısında depolandığı veri kümesi dizininin yolu. |
gerekli |
args |
Namespace
|
Görüntü boyutu, büyütme gibi veri setiyle ilgili ayarları içeren yapılandırma
parametreleri ve önbellek ayarları. Aşağıdakiler gibi öznitelikleri içerir |
gerekli |
augment |
bool
|
Veri kümesine büyütmelerin uygulanıp uygulanmayacağı. Varsayılan değer False'dir. |
False
|
prefix |
str
|
Günlük ve önbellek dosya adları için önek, veri kümesi tanımlamaya yardımcı olur ve hata ayıklama. Varsayılan değer boş bir dizedir. |
''
|
Kaynak kodu ultralytics/data/dataset.py
__len__()
verify_images()
Veri kümesindeki tüm görüntüleri doğrulayın.
Kaynak kodu ultralytics/data/dataset.py
Oluşturuldu 2023-11-12, Güncellendi 2024-05-08
Yazarlar: Burhan-Q (1), glenn-jocher (4), Laughing-q (1)