Aggiungi e prepara i dati

Crea il dataset#

Apri Annotate nella barra laterale e fai clic su New Dataset. La finestra di dialogo chiede una sorgente, un nome, il tipo di attività, una licenza facoltativa, l'offuscamento dei volti e la visibilità:

Regola decisionale: per questo corso, carica una copia. I dataset Cloud e On Premise mantengono i pixel fuori da Platform, quindi per questi dataset non sono disponibili l'annotazione intelligente, il raggruppamento, la clonazione e le istantanee delle versioni.

Il tipo di attività determina gli strumenti e i modelli disponibili. Platform supporta tutte e sette le attività Ultralytics YOLO:

Esempio pratico: controlla il dataset prima di caricarlo#

La piattaforma accetta immagini JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG e MPO fino a 50 MB e con almeno 28 px sul lato corto, e legge etichette YOLO, COCO, LabelMe, NDJSON di Ultralytics o Labelbox e maschere PNG semantiche. I file XML Pascal VOC vengono rilevati ma non importati. Questo script controlla un dataset YOLO locale secondo queste regole, qui il dataset pubblico medical pills:

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

Cosa indica l'output:

• Conteggi per split. Le immagini nelle cartelle train/, val/ e test/ mantengono quello split dopo il caricamento, quindi questi sono i numeri che mostrerà la piattaforma. Se manca la riga val, la piattaforma creerà automaticamente uno split di validazione casuale (vedi il problema descritto sotto).
• Le immagini di sfondo (senza file di etichette) vanno bene se usate con moderazione: insegnano al modello che aspetto ha il "nulla". Se sono centinaia, di solito le etichette non sono state esportate correttamente.
• problems: none significa che ogni immagine verrà elaborata. Qualsiasi conteggio qui indica un file che finirà nella scheda Errors oppure non arriverà affatto.

Comprimi la cartella del dataset insieme alla sua data.yaml e trascina l'archivio nella galleria. La piattaforma rileva automaticamente il formato, archivia una sola copia delle immagini identiche e chiede se vuoi Ignorare, Mantenere entrambe o Sostituire quando un caricamento entra in conflitto con immagini già presenti nel dataset.

Esempio pratico: campiona il video prima che lo faccia la piattaforma#

La piattaforma campiona ogni video a 1 fotogramma al secondo e ne conserva al massimo 100, aumentando l'intervallo per i clip più lunghi di 100 secondi:

È una soluzione adatta a dare un'occhiata veloce, ma inadeguata per la maggior parte dei progetti reali: una registrazione di un turno di 30 minuti diventa 100 fotogrammi, perlopiù di un corridoio vuoto. Campiona tu le riprese lunghe e carica i fotogrammi:

Per un campionamento uniforme, FFmpeg è sufficiente:

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

Per un campionamento basato sugli eventi, lascia che un modello Ultralytics YOLO preaddestrato conservi solo i fotogrammi che contengono il tuo oggetto:

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 esamina un fotogramma ogni cinque, classes=[0] limita il rilevamento alle persone e conf=0.5 ignora le rilevazioni poco affidabili. In questo clip dimostrativo molto movimentato ci sono persone in ogni fotogramma campionato; in una registrazione di una scena perlopiù vuota, la frazione conservata cala bruscamente, così come il costo dell'etichettatura. Aumenta vid_stride finché i fotogrammi consecutivi conservati non smettono di sembrare identici.

Leggi gli indicatori di elaborazione della piattaforma#

Dopo il caricamento, la piattaforma convalida e normalizza i dati (ridimensiona le immagini oltre 4.096 px), crea miniature, analizza le etichette e calcola le statistiche. Controlla tre punti:

• La scheda Errors appare solo quando alcuni file non vengono elaborati: file danneggiati, formati non supportati, immagini sotto i 28 px o modalità colore CMYK e indicizzata, ciascuno con un suggerimento per la correzione. Esportali di nuovo o caricali nuovamente.
• La scheda Charts mostra la distribuzione degli split, le classi principali, le dimensioni delle immagini, le dimensioni dei file, la posizione delle annotazioni, le dimensioni dei riquadri e gli oggetti per immagine. Cerca una classe che compare raramente, immagini minuscole o riquadri concentrati in un angolo.
• L'etichetta nell'intestazione del dataset mostra Ready al termine dell'elaborazione, se il dataset contiene almeno un'immagine train, un'immagine val o test e un'immagine etichettata. Fai clic su Not Ready per vedere quale condizione manca.

Inizia da un dataset pubblico#

Non hai ancora dati? La pagina Explore elenca dataset ufficiali e della community. Clone Dataset copia immagini, annotazioni e classi nel tuo spazio di lavoro, le conteggia nel tuo spazio di archiviazione e mantiene per impostazione predefinita la visibilità pubblica della fonte; se aggiungerai contenuti sensibili, disattiva l'interruttore nella finestra di dialogo.

Insidie#