COCO8-Gri Tonlamalı Veri Kümesi
Giriş
Ultralytics COCO8-Gri Tonlamalı veri kümesi, COCO train 2017 setindeki ilk 8 görüntüden oluşan ve gri tonlamalı formata dönüştürülen (4'ü eğitim ve 4'ü doğrulama için) kompakt ancak güçlü bir nesne algılama veri kümesidir. Bu veri kümesi, özellikle YOLO gri tonlamalı modelleri ve eğitim işlem hatları ile hızlı test, hata ayıklama ve deneme için tasarlanmıştır. Küçük boyutu, onu son derece yönetilebilir kılarken, çeşitliliği daha büyük veri kümelerine ölçeklendirmeden önce etkili bir akıl sağlığı kontrolü olarak hizmet etmesini sağlar.
COCO8-Gri Tonlamalı, Ultralytics HUB ve YOLO11 ile tamamen uyumludur ve bilgisayar görüşü iş akışlarınıza sorunsuz entegrasyon sağlar.
Veri Seti YAML
COCO8-Grayscale veri kümesi yapılandırması, veri kümesi yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML (Yet Another Markup Language) dosyasında tanımlanır. Resmi olanı inceleyebilirsiniz coco8-grayscale.yaml dosyası içinde Ultralytics GitHub deposunu.
Not
RGB görüntülerinizi gri tonlamalı olarak eğitmek için, basitçe şunu ekleyebilirsiniz: channels: 1 veri kümesi YAML dosyanıza. Bu, eğitim sırasında tüm görüntüleri gri tonlamalıya dönüştürerek, ayrı bir veri kümesi gerektirmeden gri tonlamalı avantajlarından yararlanmanızı sağlar.
ultralytics/cfg/datasets/coco8-grayscale.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-grayscale ← downloads here (1 MB)
# 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: coco8-grayscale # 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)
channels: 1
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-grayscale.zip
Kullanım
640 görüntü boyutuyla 100 epok için COCO8-Grayscale veri kümesinde bir YOLO11n modeli eğitmek için aşağıdaki örnekleri kullanın. Eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine bakın.
Eğitim Örneği
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Örnek Görüntüler ve Açıklamalar
Aşağıda, COCO8-Grayscale veri kümesinden mozaiklenmiş bir eğitim grubuna bir örnek verilmiştir:
- Mozaiklenmiş Görüntü: Bu görüntü, mozaik artırma kullanılarak birden çok veri kümesi görüntüsünün birleştirildiği bir eğitim grubunu göstermektedir. Mozaik artırma, her gruptaki nesnelerin ve sahnelerin çeşitliliğini artırarak modelin çeşitli nesne boyutlarına, en boy oranlarına ve arka planlara daha iyi genellemesine yardımcı olur.
Bu teknik, eğitim sırasında her görüntünün değerini en üst düzeye çıkardığı için COCO8-Grayscale gibi küçük veri kümeleri için özellikle yararlıdır.
Alıntılar ve Teşekkürler
Araştırmanızda veya geliştirmenizde COCO veri kümesini kullanıyorsanız, lütfen aşağıdaki makaleye atıfta bulunun:
@misc{lin2015microsoft,
title={Microsoft COCO: Common Objects in Context},
author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
year={2015},
eprint={1405.0312},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
Bilgisayar görüşü topluluğuna devam eden katkılarından dolayı COCO Consortium'a özel teşekkürler.
SSS
Ultralytics COCO8-Gri Tonlamalı Veri Kümesi Ne İçin Kullanılır?
Ultralytics COCO8-Grayscale veri seti, nesne algılama modellerinin hızlı bir şekilde test edilmesi ve hatalarının ayıklanması için tasarlanmıştır. Sadece 8 görüntü (4'ü eğitim, 4'ü doğrulama için) ile YOLO eğitim ardışık düzenlerinizi doğrulamak ve daha büyük veri kümelerine ölçeklendirmeden önce her şeyin beklendiği gibi çalıştığından emin olmak için idealdir. Daha fazla ayrıntı için COCO8-Grayscale YAML yapılandırmasını inceleyin.
COCO8-Grayscale Veri Kümesini Kullanarak Bir YOLO11 Modeli Nasıl Eğitilir?
Python veya CLI'yı kullanarak COCO8-Grayscale üzerinde bir YOLO11 modeli eğitebilirsiniz:
Eğitim Örneği
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Ek eğitim seçenekleri için YOLO Eğitim dokümanlarına bakın.
COCO8-Grayscale Eğitimimi Yönetmek İçin Neden Ultralytics HUB Kullanmalıyım?
Ultralytics HUB, COCO8-Grayscale dahil YOLO modelleri için veri kümesi yönetimini, eğitimi ve dağıtımını kolaylaştırır. Bulut eğitimi, gerçek zamanlı izleme ve sezgisel veri kümesi işleme gibi özelliklerle HUB, tek bir tıklamayla deneyler başlatmanızı sağlar ve manuel kurulum zahmetini ortadan kaldırır. Ultralytics HUB hakkında daha fazla bilgi edinin ve bilgisayar görüşü projelerinizi nasıl hızlandırabileceğini keşfedin.
COCO8-Gri Tonlamalı Veri Kümesi ile Eğitimde Mozaik Artırmanın Faydaları Nelerdir?
COCO8-Grayscale eğitiminde kullanıldığı gibi mozaik artırma, her bir toplu işlem sırasında birden fazla görüntüyü bir araya getirir. Bu, nesnelerin ve arka planların çeşitliliğini artırarak YOLO modelinizin yeni senaryolara daha iyi genellemesine yardımcı olur. Mozaik artırma, her eğitim adımında mevcut bilgileri en üst düzeye çıkardığı için özellikle küçük veri kümeleri için değerlidir. Bu konuda daha fazla bilgi için eğitim kılavuzuna bakın.
COCO8-Grayscale Veri Kümesi Üzerinde Eğitilmiş YOLO11 Modelimi Nasıl Doğrulayabilirim?
COCO8-Grayscale üzerinde eğitimden sonra YOLO11 modelinizi doğrulamak için, Python veya CLI'daki modelin doğrulama komutlarını kullanın. Bu, modelinizin performansını standart metrikleri kullanarak değerlendirir. Adım adım talimatlar için YOLO Doğrulama belgelerini ziyaret edin.
