实例分割数据集概述

支持的数据集格式

Ultralytics YOLO 格式

用于训练YOLO 分段模型的数据集标签格式如下：

1. 每幅图像一个文本文件：数据集中的每幅图像都有一个相应的文本文件，文件名与图像文件相同，扩展名为".txt"。
2. 每个对象一行：文本文件中的每一行对应图像中的一个对象实例。
3. 每行对象信息：每行包含对象实例的以下信息
   • 对象类别索引：代表对象类别的整数（如 0 代表人，1 代表汽车等）。
   • 对象边界坐标：遮罩区域周围的边界坐标，归一化后介于 0 和 1 之间。

分割数据集文件中单行的格式如下：

<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>

采用这种格式、 <class-index> 是对象的类的索引，而 <x1> <y1> <x2> <y2> ... <xn> <yn> 是对象的分割掩码的边界坐标。坐标之间用空格隔开。

以下是YOLO 数据集格式的示例，该数据集格式适用于由 3 点片段和 5 点片段组成的两个对象的单幅图像。

0 0.681 0.485 0.670 0.487 0.676 0.487
1 0.504 0.000 0.501 0.004 0.498 0.004 0.493 0.010 0.492 0.0104

数据集 YAML 格式

Ultralytics 框架使用 YAML 文件格式定义用于训练检测模型的数据集和模型配置。下面是一个用于定义检测数据集的 YAML 格式示例：

# 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-seg  # 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

"(《世界人权宣言》) train 和 val 字段分别指定了包含训练图像和验证图像的目录路径。

names 是一个类名字典。名称的顺序应与YOLO 数据集文件中对象类索引的顺序一致。

使用方法

from ultralytics import YOLO

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

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

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

支持的数据集

支持的数据集

• COCO：一个用于物体检测、分割和字幕的综合数据集，包含 20 多万张标注了各种类别的图像。

• COCO8-seg:COCO 的 8 幅图像子集，结构紧凑，专为快速测试分割模型训练而设计，是 CI 检查和工作流程验证的理想之选。 ultralytics 存放处。

• Carparts-seg：一个专注于汽车零部件细分的专业数据集，非常适合汽车应用。它包括各种车辆，并对各个汽车部件进行了详细注释。

• Crack-seg：专门用于分割各种表面裂缝的数据集。该数据集对基础设施维护和质量控制至关重要，它提供了用于训练模型的详细图像，以识别结构弱点。

• Package-seg：专门用于分割不同类型包装材料和形状的数据集。它对物流和仓库自动化特别有用，有助于开发包装处理和分类系统。

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 格式训练分割模型，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：

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir='path/to/coco/annotations/', use_segments=True)

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。

自动注释

自动标注是一项基本功能，可让您使用预先训练好的检测模型生成分割数据集。它能让您快速、准确地标注大量图像，无需手动标注，省时省力。

使用检测模型生成分割数据集

要使用Ultralytics 框架自动标注数据集，您可以使用 auto_annotate 功能，如下图所示：

from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolov8x.pt", sam_model='sam_b.pt')

当然，下面是更新后的代码片段表：

"(《世界人权宣言》) auto_annotate 函数将获取图像路径，以及用于指定预训练检测和 SAM 细分模型，运行模型的设备，以及保存注释结果的输出目录。

通过利用预训练模型的强大功能，自动标注可以大大减少创建高质量分割数据集所需的时间和精力。这一功能对于处理大型图像集的研究人员和开发人员尤为有用，因为他们可以专注于模型开发和评估，而不是手动标注。

评论