Añade y prepara los datos

Crea el conjunto de datos#

Abre Annotate en la barra lateral y haz clic en New Dataset. El cuadro de diálogo solicita un origen, un nombre, el tipo de tarea, una licencia opcional, el difuminado de caras y la visibilidad:

Regla para decidir: sube una copia para este curso. Los conjuntos de datos Cloud y On Premise mantienen los píxeles fuera de Platform, por lo que no permiten la anotación inteligente, la agrupación, la clonación ni las instantáneas de versiones.

El tipo de tarea determina qué herramientas y modelos aparecen. Platform admite las siete tareas de Ultralytics YOLO:

Ejemplo práctico: comprueba el conjunto de datos antes de subirlo#

Platform acepta imágenes JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG y MPO de hasta 50 MB y con un mínimo de 28 px en el lado corto, y lee etiquetas YOLO, COCO, LabelMe, NDJSON de Ultralytics o Labelbox, y máscaras PNG semánticas. Detecta los archivos XML de Pascal VOC, pero no los importa. Este script comprueba un conjunto de datos YOLO local según esas reglas; aquí se usa el conjunto de datos público de pastillas médicas:

from collections import Counter
from pathlib import Path

from PIL import Image

from ultralytics.data.utils import check_det_dataset

ACCEPTED = {".jpg", ".jpeg", ".png", ".webp", ".bmp", ".tif", ".tiff", ".heic", ".avif", ".jp2", ".dng", ".mpo"}
data = check_det_dataset("medical-pills.yaml")  # your local dataset YAML
root = Path(data["path"])

problems = Counter()
for split in ("train", "val", "test"):
    if not data.get(split):
        continue
    files = [p for p in Path(data[split]).rglob("*") if p.is_file()]
    images = [p for p in files if p.suffix.lower() in ACCEPTED]
    labeled = 0
    for img in images:
        label = Path(str(img).replace("images", "labels")).with_suffix(".txt")
        labeled += label.exists() and label.stat().st_size > 0
        if min(Image.open(img).size) < 28:
            problems["under 28 px (rejected)"] += 1
        if img.stat().st_size > 50 * 1024**2:
            problems["over 50 MB (rejected)"] += 1
    problems["unsupported files (skipped)"] += len(files) - len(images)
    print(f"{split:<5} {len(images):>4} images, {labeled:>4} labeled, {len(images) - labeled:>3} background")
problems["Pascal VOC .xml labels (not imported)"] += len(list(root.rglob("*.xml")))
print("classes:", data["names"])
print("problems:", {k: v for k, v in problems.items() if v} or "none")

train   92 images,   92 labeled,   0 background
val     23 images,   23 labeled,   0 background
classes: {0: 'pill'}
problems: none

Qué te indica el resultado:

• Recuentos por partición. Las imágenes de las carpetas train/, val/ y test/ mantienen esa partición al subirlas, así que estos son los números que mostrará Platform. Si no aparece la línea val, Platform creará una partición de validación aleatoria (consulta el problema que se describe más abajo).
• Las imágenes de fondo (sin archivo de etiquetas) son aceptables en cantidades moderadas; enseñan al modelo cómo es «no hay nada aquí». Si hay cientos, normalmente significa que las etiquetas no se exportaron correctamente.
• problems: none significa que se procesará cada imagen. Cualquier recuento que aparezca aquí corresponde a un archivo que acabará en la pestaña Errors o que no llegará a subirse.

Comprime la carpeta del conjunto de datos con su data.yaml y arrastra el archivo comprimido a la galería. Platform detecta el formato automáticamente, almacena una sola copia de las imágenes idénticas y te pregunta si quieres Omitir, Conservar ambas o Reemplazar cuando una imagen que subes coincide con otra que ya está en el conjunto de datos.

Ejemplo práctico: muestrea el vídeo antes de que lo haga Platform#

Platform muestrea cada vídeo a 1 fotograma por segundo y conserva como máximo 100 fotogramas; para los clips de más de 100 segundos, amplía el intervalo:

Esto sirve para echar un vistazo rápido, pero no para la mayoría de los proyectos reales: una grabación de un turno de 30 minutos se convierte en 100 fotogramas, casi todos de un pasillo vacío. Muestrea tú mismo las grabaciones largas y sube los fotogramas:

Para un muestreo uniforme, basta con FFmpeg:

mkdir -p frames
ffmpeg -i source.mp4 -vf fps=1 frames/%06d.jpg

Para un muestreo basado en eventos, deja que un modelo YOLO de Ultralytics preentrenado conserve solo los fotogramas que contengan tu objeto:

from pathlib import Path

import cv2

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # or your latest fine-tune
out = Path("frames")
out.mkdir(exist_ok=True)

source = "https://github.com/ultralytics/assets/releases/download/v0.0.0/solutions_ci_demo.mp4"
seen = kept = 0
for i, result in enumerate(model.predict(source, stream=True, vid_stride=5, classes=[0], conf=0.5, verbose=False)):
    seen += 1
    if len(result.boxes):  # keep only frames where a person was detected
        cv2.imwrite(str(out / f"frame_{i:05d}.jpg"), result.orig_img)
        kept += 1
print(f"Kept {kept} of {seen} sampled frames")

Kept 12 of 12 sampled frames

vid_stride=5 examina uno de cada cinco fotogramas, classes=[0] limita la detección a personas y conf=0.5 ignora las predicciones poco fiables. En este clip de demostración con mucha actividad hay personas en cada fotograma muestreado; en una grabación de una escena casi vacía, la proporción de fotogramas conservados disminuye drásticamente, y también el coste del etiquetado. Aumenta vid_stride hasta que los fotogramas conservados contiguos dejen de parecer idénticos.

Consulta las señales de procesamiento de Platform#

Después de subir los archivos, Platform los valida, normaliza (las imágenes de más de 4096 px se redimensionan), genera miniaturas, analiza las etiquetas y calcula estadísticas. Comprueba estos tres sitios:

• La pestaña Errors solo aparece cuando hay archivos que no se pueden procesar: archivos dañados, formatos no compatibles, imágenes de menos de 28 px o modos de color CMYK e indexado, cada uno con una sugerencia para solucionarlo. Vuelve a exportarlos o a subirlos.
• La pestaña Charts muestra la distribución de particiones, las clases principales, las dimensiones de las imágenes, el tamaño de los archivos, la ubicación de las anotaciones, el tamaño de las cajas y los objetos por imagen. Fíjate si alguna clase aparece muy poco, si hay imágenes diminutas o si las cajas se agrupan en una esquina.
• La insignia de la cabecera del conjunto de datos muestra Ready cuando termina el procesamiento y el conjunto de datos tiene al menos una imagen train, una imagen val o test, y una imagen etiquetada. Haz clic en Not Ready para ver qué condición falta.

Empieza con un conjunto de datos público#

¿Aún no tienes datos? La página Explorar incluye conjuntos de datos oficiales y de la comunidad. Clonar conjunto de datos copia las imágenes, las anotaciones y las clases en tu espacio de trabajo, cuenta para el almacenamiento y conserva de forma predeterminada la visibilidad pública del conjunto de datos de origen; por tanto, cambia el selector del cuadro de diálogo si vas a añadir algo sensible.

Errores habituales#