Raccogli dati rappresentativi e di alta qualità

La variabilità vale più del volume#

Confronta due dataset destinati allo stesso deployment:

Il punteggio di validazione del primo dataset è alto solo perché la validazione misura l'unica condizione che copre. In produzione, un modello è valido solo quanto lo scenario meno coperto che incontra. Dai la priorità alla copertura della specifica e solo dopo al volume.

Scegli le fonti nel giusto ordine#

La maggior parte del dataset dovrebbe provenire dalla configurazione di produzione reale. La guida alla raccolta e all'annotazione dei dati approfondisce ciascuna fonte:

Usa immagini messe in scena, pubbliche e sintetiche per colmare lacune specifiche indicate nella specifica e monitora la loro quota nel dataset, così da poter valutare se sono utili. Su Ultralytics Platform, Genera immagini simili aggiunge a un dataset varianti generate di un'immagine esistente, senza etichette e pronte per l'annotazione.

Inserisci i metadati nel nome file#

Ogni immagine deve includere almeno un ID della telecamera, il giorno di acquisizione e il numero del fotogramma o della clip. Senza questi dati non puoi suddividere il dataset per gruppo in seguito, risalire alla fonte di una regressione o raccogliere altri dati di uno scenario sottorappresentato. Il modo più duraturo per conservarli è il nome file: cam2_2026-05-01_000124.jpg è compatibile con qualsiasi strumento, esportazione e caricamento. La ricerca nei dataset di Ultralytics Platform supporta i nomi file e i metadati personalizzati, così queste chiavi restano ricercabili anche dopo il caricamento.

Questo script crea il dataset di esercitazione usato nel resto del corso. Copia le immagini etichettate di COCO128 e le rinomina come se quattro telecamere le avessero acquisite nell'arco di quattro giorni, sovracampionando cam1 come spesso accade con la telecamera più comoda:

import shutil
from pathlib import Path

from ultralytics.data.utils import check_det_dataset, img2label_paths

data = check_det_dataset("coco128.yaml")  # 128 COCO images stand in for your camera captures
out = Path("datasets/practice")
(out / "images").mkdir(parents=True, exist_ok=True)
(out / "labels").mkdir(parents=True, exist_ok=True)

for i, image in enumerate(sorted(Path(data["train"]).glob("*.jpg"))):
    camera = ("cam1", "cam1", "cam2", "cam3", "cam4")[i % 5]  # cam1 over-collected, like a real site
    name = f"{camera}_2026-05-0{i // 32 + 1}_{i:06d}"  # camera, capture day, frame number
    shutil.copy(image, out / "images" / f"{name}.jpg")
    label = Path(img2label_paths([str(image)])[0])
    if label.exists():
        shutil.copy(label, out / "labels" / f"{name}.txt")

print(len(list((out / "images").glob("*.jpg"))), "images written to", out)

128 images written to datasets/practice

Il caricamento su Ultralytics Platform mantiene questi nomi file. La finestra di caricamento accetta anche video e interi dataset; tra le impostazioni è inclusa la sfocatura dei volti per la privacy.

Monitora la copertura rispetto alla specifica#

Con i metadati nei nomi file, la copertura si misura contando. Definisci le quote in base alla tua specifica e lascia che lo script indichi cosa raccogliere in seguito:

from collections import Counter
from pathlib import Path

QUOTA = {"cam1": 30, "cam2": 30, "cam3": 30, "cam4": 30}  # images per camera, from your spec

images = sorted(Path("datasets/practice/images").glob("*.jpg"))
cameras = Counter(p.stem.split("_")[0] for p in images)
days = Counter(p.stem.split("_")[1] for p in images)

for camera, quota in QUOTA.items():
    gap = quota - cameras[camera]
    print(f"{camera}: {cameras[camera]:3d} / {quota}  {'ok' if gap <= 0 else f'collect {gap} more'}")
print("days:", dict(sorted(days.items())))

cam1:  52 / 30  ok
cam2:  26 / 30  collect 4 more
cam3:  25 / 30  collect 5 more
cam4:  25 / 30  collect 5 more
days: {'2026-05-01': 32, '2026-05-02': 32, '2026-05-03': 32, '2026-05-04': 32}

La regola decisionale: smetti di raccogliere da qualsiasi fonte che abbia superato la quota e concentra gli sforzi sulle lacune. In questo caso, cam1 copre già il 40% delle immagini. Un'altra settimana di filmati da questa fonte aumenterebbe il volume, ma non la copertura.

Campiona i video senza sovraccaricare il dataset#

Il video è la fonte meno costosa e la più facile da usare male. A 30 fotogrammi al secondo, un minuto produce 1.800 fotogrammi quasi identici; etichettare due volte lo stesso momento costa e gonfia le metriche. Conserva un fotogramma solo quando la scena è cambiata rispetto all'ultimo fotogramma mantenuto:

from pathlib import Path

import cv2

from ultralytics.utils.downloads import safe_download

video = "solutions_ci_demo.mp4"  # a short public demo clip; swap in your own footage
safe_download(f"https://github.com/ultralytics/assets/releases/download/v0.0.0/{video}")
Path("frames").mkdir(exist_ok=True)

cap = cv2.VideoCapture(video)
fps = cap.get(cv2.CAP_PROP_FPS)
read = kept = 0
last = None
while True:
    ok, frame = cap.read()
    if not ok:
        break
    thumb = cv2.cvtColor(cv2.resize(frame, (64, 64)), cv2.COLOR_BGR2GRAY).astype(float)
    if last is None or abs(thumb - last).mean() > 10:  # keep a frame only when the scene has changed
        cv2.imwrite(f"frames/clip01_{read:06d}.jpg", frame)  # the clip ID stays in the filename
        kept, last = kept + 1, thumb
    read += 1

print(f"{read} frames at {fps:.0f} FPS -> {kept} kept")

62 frames at 30 FPS -> 6 kept

La clip di due secondi contiene 62 fotogrammi, ma solo 6 momenti visivamente distinti. Lo script confronta piccole miniature in scala di grigi, quindi elabora rapidamente anche ore di filmati. Aumenta la soglia di 10 per conservare meno fotogrammi dalle telecamere statiche; abbassala per le scene in rapido movimento. Distribuisci il budget anche tra le clip: 20 fotogrammi da ciascuna di 50 clip sono meglio di 1.000 fotogrammi da una sola.

Evita le insidie nella raccolta#

Distorsioni e consenso#

La distorsione è un problema di raccolta, non di modellazione: nessun iperparametro può correggere l'assenza di un gruppo mai incluso nei dati. La guida alla raccolta dei dati elenca quattro leve: fonti diversificate, rappresentazione equilibrata, verifiche regolari della copertura e misure di mitigazione come il sovracampionamento dei gruppi sottorappresentati.

Se le immagini contengono volti, targhe o altri dati personali, devi ottenere il consenso e definire una policy di conservazione prima di iniziare la raccolta. La voce del glossario sulla privacy dei dati è un buon punto di partenza, mentre Privacy, aree geografiche e conformità spiega come conservare i dati nella giurisdizione corretta con dataRegion.