Tập dữ liệu VOC
Tập dữ liệu PASCAL VOC (Visual Object Classes) là một tập dữ liệu nổi tiếng về phát hiện đối tượng, phân đoạn và phân loại. Nó được thiết kế để khuyến khích nghiên cứu trên nhiều danh mục đối tượng đa dạng và thường được sử dụng để làm chuẩn (benchmark) cho các model thị giác máy tính. Đây là tập dữ liệu thiết yếu cho các nhà nghiên cứu và nhà phát triển làm việc trên các tác vụ phát hiện đối tượng, phân đoạn và phân loại.
Watch: How to Train Ultralytics YOLO26 on the Pascal VOC Dataset | Object Detection 🚀
Các tính năng chính
- Tập dữ liệu VOC bao gồm hai thử thách chính: VOC2007 và VOC2012.
- Tập dữ liệu bao gồm 20 danh mục đối tượng, bao gồm các đối tượng phổ biến như ô tô, xe đạp và động vật, cũng như các danh mục cụ thể hơn như thuyền, ghế sofa và bàn ăn.
- Các chú thích bao gồm BBox của đối tượng và nhãn lớp cho các tác vụ phát hiện và phân loại đối tượng, cùng với các mask phân đoạn cho các tác vụ phân đoạn.
- VOC cung cấp các thước đo đánh giá tiêu chuẩn như mean Average Precision (mAP) cho việc phát hiện và phân loại đối tượng, giúp nó phù hợp để so sánh hiệu suất model.
Cấu trúc tập dữ liệu
Tập dữ liệu VOC được chia thành ba tập con:
- Train: Tập con này chứa các hình ảnh để huấn luyện các model phát hiện, phân đoạn và phân loại đối tượng.
- Validation: Tập con này có các hình ảnh được sử dụng cho mục đích kiểm chứng trong quá trình huấn luyện model.
- Test: Tập con này bao gồm các hình ảnh được sử dụng để thử nghiệm và làm chuẩn cho các model đã huấn luyện. Các chú thích ground truth cho tập con này không được công khai và kết quả trong lịch sử đã được gửi đến máy chủ đánh giá PASCAL VOC để kiểm tra hiệu suất.
Ứng dụng
Tập dữ liệu VOC được sử dụng rộng rãi để huấn luyện và đánh giá các model deep learning trong phát hiện đối tượng (như Ultralytics YOLO, Faster R-CNN, và SSD), instance segmentation (như Mask R-CNN), và image classification. Tập hợp đa dạng các danh mục đối tượng, số lượng lớn hình ảnh được chú thích và các thước đo đánh giá tiêu chuẩn của tập dữ liệu khiến nó trở thành một tài nguyên thiết yếu cho các nhà nghiên cứu và thực hành trong lĩnh vực computer vision.
Dataset YAML
Một tệp YAML (Yet Another Markup Language) được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về các đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Đối với trường hợp của tập dữ liệu VOC, tệp VOC.yaml được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/VOC.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC by University of Oxford
# Documentation: https://docs.ultralytics.com/datasets/detect/voc/
# Example usage: yolo train data=VOC.yaml
# parent
# ├── ultralytics
# └── datasets
# └── VOC ← downloads here (2.8 GB)
# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: VOC
train: # train images (relative to 'path') 16551 images
- images/train2012
- images/train2007
- images/val2012
- images/val2007
val: # val images (relative to 'path') 4952 images
- images/test2007
test: # test images (optional)
- images/test2007
# Classes
names:
0: aeroplane
1: bicycle
2: bird
3: boat
4: bottle
5: bus
6: car
7: cat
8: chair
9: cow
10: diningtable
11: dog
12: horse
13: motorbike
14: person
15: pottedplant
16: sheep
17: sofa
18: train
19: tvmonitor
# Download script/URL (optional) ---------------------------------------------------------------------------------------
download: |
import xml.etree.ElementTree as ET
from pathlib import Path
from ultralytics.utils.downloads import download
from ultralytics.utils import ASSETS_URL, TQDM
def convert_label(path, lb_path, year, image_id):
"""Converts XML annotations from VOC format to YOLO format by extracting bounding boxes and class IDs."""
def convert_box(size, box):
dw, dh = 1.0 / size[0], 1.0 / size[1]
x, y, w, h = (box[0] + box[1]) / 2.0 - 1, (box[2] + box[3]) / 2.0 - 1, box[1] - box[0], box[3] - box[2]
return x * dw, y * dh, w * dw, h * dh
with open(path / f"VOC{year}/Annotations/{image_id}.xml") as in_file, open(lb_path, "w", encoding="utf-8") as out_file:
tree = ET.parse(in_file)
root = tree.getroot()
size = root.find("size")
w = int(size.find("width").text)
h = int(size.find("height").text)
names = list(yaml["names"].values()) # names list
for obj in root.iter("object"):
cls = obj.find("name").text
if cls in names and int(obj.find("difficult").text) != 1:
xmlbox = obj.find("bndbox")
bb = convert_box((w, h), [float(xmlbox.find(x).text) for x in ("xmin", "xmax", "ymin", "ymax")])
cls_id = names.index(cls) # class id
out_file.write(" ".join(str(a) for a in (cls_id, *bb)) + "\n")
# Download
dir = Path(yaml["path"]) # dataset root dir
urls = [
f"{ASSETS_URL}/VOCtrainval_06-Nov-2007.zip", # 446MB, 5012 images
f"{ASSETS_URL}/VOCtest_06-Nov-2007.zip", # 438MB, 4953 images
f"{ASSETS_URL}/VOCtrainval_11-May-2012.zip", # 1.95GB, 17126 images
]
download(urls, dir=dir / "images", threads=3, exist_ok=True) # download and unzip over existing (required)
# Convert
path = dir / "images/VOCdevkit"
for year, image_set in ("2012", "train"), ("2012", "val"), ("2007", "train"), ("2007", "val"), ("2007", "test"):
imgs_path = dir / "images" / f"{image_set}{year}"
lbs_path = dir / "labels" / f"{image_set}{year}"
imgs_path.mkdir(exist_ok=True, parents=True)
lbs_path.mkdir(exist_ok=True, parents=True)
with open(path / f"VOC{year}/ImageSets/Main/{image_set}.txt") as f:
image_ids = f.read().strip().split()
for id in TQDM(image_ids, desc=f"{image_set}{year}"):
f = path / f"VOC{year}/JPEGImages/{id}.jpg" # old img path
lb_path = (lbs_path / f.name).with_suffix(".txt") # new label path
f.rename(imgs_path / f.name) # move image
convert_label(path, lb_path, year, id) # convert labels to YOLO formatCách sử dụng
Để huấn luyện model YOLO26n trên tập dữ liệu VOC trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các tham số khả dụng, hãy tham khảo trang Training của model.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)Hình ảnh và chú thích mẫu
Tập dữ liệu VOC chứa một tập hợp hình ảnh đa dạng với nhiều danh mục đối tượng khác nhau và các cảnh phức tạp. Dưới đây là một số ví dụ về hình ảnh từ tập dữ liệu, cùng với các chú thích tương ứng của chúng:
- Mosaiced Image: Hình ảnh này minh họa một batch huấn luyện bao gồm các hình ảnh tập dữ liệu được ghép lại (mosaic). Mosaicing là một kỹ thuật được sử dụng trong quá trình huấn luyện nhằm kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các vật thể và cảnh quan trong mỗi batch huấn luyện. Điều này giúp cải thiện khả năng tổng quát hóa của mô hình đối với các kích thước, tỷ lệ khung hình và bối cảnh vật thể khác nhau.
Ví dụ này thể hiện sự đa dạng và phức tạp của các hình ảnh trong tập dữ liệu VOC và những lợi ích của việc sử dụng kỹ thuật mosaic trong quá trình huấn luyện.
Trích dẫn và Ghi nhận
Nếu bạn sử dụng tập dữ liệu VOC trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:
@misc{everingham2010pascal,
title={The PASCAL Visual Object Classes (VOC) Challenge},
author={Mark Everingham and Luc Van Gool and Christopher K. I. Williams and John Winn and Andrew Zisserman},
year={2010},
eprint={0909.5206},
archivePrefix={arXiv},
primaryClass={cs.CV}
}Chúng tôi muốn ghi nhận PASCAL VOC Consortium vì đã tạo ra và duy trì tài nguyên có giá trị này cho cộng đồng computer vision. Để biết thêm thông tin về tập dữ liệu VOC và những người tạo ra nó, hãy truy cập trang web tập dữ liệu PASCAL VOC.
Câu hỏi thường gặp (FAQ)
Tập dữ liệu PASCAL VOC là gì và tại sao nó lại quan trọng đối với các tác vụ thị giác máy tính?
Tập dữ liệu PASCAL VOC (Visual Object Classes) là một chuẩn mực nổi tiếng cho object detection, phân đoạn và phân loại trong thị giác máy tính. Nó bao gồm các chú thích toàn diện như BBox, nhãn lớp và mask phân đoạn trên 20 danh mục đối tượng khác nhau. Các nhà nghiên cứu sử dụng nó rộng rãi để đánh giá hiệu suất của các model như Faster R-CNN, YOLO và Mask R-CNN nhờ các thước đo đánh giá tiêu chuẩn như mAP.
Làm thế nào để tôi huấn luyện model YOLO26 sử dụng tập dữ liệu VOC?
Để huấn luyện model YOLO26 với tập dữ liệu VOC, bạn cần cấu hình tập dữ liệu trong tệp YAML. Đây là ví dụ để bắt đầu huấn luyện model YOLO26n trong 100 epoch với kích thước ảnh là 640:
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="VOC.yaml", epochs=100, imgsz=640)Những thách thức chính nào được bao gồm trong tập dữ liệu VOC?
Tập dữ liệu VOC bao gồm hai thử thách chính: VOC2007 và VOC2012. Những thử thách này kiểm tra khả năng phát hiện đối tượng, phân đoạn và phân loại trên 20 danh mục đối tượng đa dạng. Mỗi hình ảnh được chú thích tỉ mỉ bằng BBox, nhãn lớp và mask phân đoạn. Các thử thách này cung cấp các thước đo tiêu chuẩn như mAP, tạo điều kiện cho việc so sánh và làm chuẩn cho các model thị giác máy tính khác nhau.
Tập dữ liệu PASCAL VOC nâng cao việc làm chuẩn và đánh giá model như thế nào?
Tập dữ liệu PASCAL VOC nâng cao việc làm chuẩn và đánh giá model thông qua các chú thích chi tiết và các thước đo tiêu chuẩn như mean Average Precision (mAP). Những thước đo này rất quan trọng để đánh giá hiệu suất của các model phát hiện và phân loại đối tượng. Các hình ảnh đa dạng và phức tạp của tập dữ liệu đảm bảo việc đánh giá model toàn diện trên nhiều kịch bản thực tế.
Làm thế nào để tôi sử dụng tập dữ liệu VOC cho semantic segmentation trong các model YOLO?
Để sử dụng tập dữ liệu VOC cho các tác vụ phân đoạn ngữ nghĩa với các model YOLO, bạn cần cấu hình tập dữ liệu đúng cách trong tệp YAML. Tệp YAML xác định các đường dẫn và lớp cần thiết để huấn luyện các model phân đoạn. Kiểm tra tệp cấu hình YAML của tập dữ liệu VOC tại VOC.yaml để biết các thiết lập chi tiết. Đối với các tác vụ phân đoạn, bạn sẽ sử dụng một model chuyên biệt cho phân đoạn như yolo26n-seg.pt thay vì model phát hiện.