跳至内容

物体检测数据集概览

训练一个强大而准确的物体检测模型需要一个全面的数据集。本指南介绍了与Ultralytics YOLO 模型兼容的各种格式的数据集，并深入介绍了它们的结构、用法以及如何在不同格式之间进行转换。

支持的数据集格式

Ultralytics YOLO 格式

Ultralytics YOLO 格式是一种数据集配置格式，允许您定义数据集根目录、训练/验证/测试图像目录的相对路径或 *.txt 文件（包含图像路径）和类名字典。下面是一个例子：

# 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: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)

# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  # ...
  77: teddy bear
  78: hair drier
  79: toothbrush

该格式的标签应导出为YOLO 格式，并带有一个 *.txt 文件。如果图像中没有对象，则没有 *.txt 文件是必需的。文件 *.txt 文件格式，每个对象在 class x_center y_center width height 格式。方框坐标必须使用 归一化 xywh 格式（从 0 到 1）。如果您的方框以像素为单位，则应将其除以 x_center 和 width 图像宽度，以及 y_center 和 height 由图像高度决定。类号应为零索引（从 0 开始）。

标注图像示例

上述图像对应的标签文件包含 2 个人（类别 0）和平局（班级 27):

标签文件示例

使用Ultralytics YOLO 格式时，请按照下面COCO8 数据集示例中的方法组织训练和验证图像及标签。

数据集目录结构示例

使用方法

下面介绍如何使用这些格式来训练模型：

示例

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='coco8.yaml', epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

支持的数据集

下面是支持的数据集列表和每个数据集的简要说明：

  • 阅览室:自动驾驶汽车传感器数据集。它包含汽车物体的三维跟踪注释。
  • COCO:Common Objects in Context (COCO) 是一个大规模物体检测、分割和字幕数据集，包含 80 个物体类别。
  • LVIS:LVIS 是一个大规模物体检测、分割和字幕数据集，包含 1203 个物体类别。
  • COCO8:COCO8 是 COCO 数据集的一个较小的子集，更加轻便，训练速度更快。
  • 全球小麦 2020:包含 2020 年全球小麦挑战赛小麦头图像的数据集。
  • 对象365:大规模物体检测数据集，包含 365 个物体类别和 600k 幅图像，旨在推动物体检测研究。
  • OpenImagesV7:谷歌提供的综合数据集，包含 170 万张训练图像和 4.2 万张验证图像。
  • SKU-110K:该数据集包含密集包装的零售产品图像，用于零售环境物体检测。
  • VisDrone:这是一个基于无人机的图像数据集，包含汽车、行人和骑自行车者等各种物体类别。
  • VOC:PASCAL VOC 是一种流行的物体检测数据集，包含车辆、动物和家具等 20 个物体类别。
  • x 查看:包含高分辨率卫星图像的数据集，用于检测俯视图中的各种物体类别。
  • 脑肿瘤:该数据集由核磁共振成像或 CT 扫描图像组成，包含有关脑肿瘤存在、位置和特征的信息。它在训练计算机视觉模型以自动识别肿瘤、促进早期诊断和治疗规划方面发挥着至关重要的作用。
  • 非洲野生动物:该数据集包含水牛、大象、犀牛和斑马等非洲野生动物的图像，对训练计算机视觉模型非常有用。它是识别不同栖息地动物不可或缺的工具，为野生动物研究工作做出了巨大贡献。

添加自己的数据集

如果您有自己的数据集，并希望将其用于使用Ultralytics YOLO 格式训练检测模型，请确保该数据集遵循上文 "Ultralytics YOLO format "中指定的格式。将注释转换为所需格式，并在 YAML 配置文件中指定路径、类数和类名。

移植或转换标签格式

将 COCO 数据集格式转换为YOLO 格式

使用以下代码片段，您可以轻松地将标签从流行的 COCO 数据集格式转换为YOLO 格式：

示例

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir='path/to/coco/annotations/')

该转换工具可用于将 COCO 数据集或任何 COCO 格式的数据集转换为Ultralytics YOLO 格式。

切记仔细检查您要使用的数据集是否与您的模型兼容，并遵循必要的格式约定。格式正确的数据集对于训练成功的物体检测模型至关重要。



创建于 2023-11-12，更新于 2024-04-18
作者:glenn-jocher(7),IvorZhu331(1),Laughing-q(1),RizwanMunawar(1)

评论