データを追加して準備する

データセットを作成する#

サイドバーでAnnotateを開き、New Datasetをクリックします。ダイアログでは、ソース、名前、タスクタイプ、任意のライセンス、顔ぼかし、公開範囲を指定します。

判断基準：このコースではコピーをアップロードしてください。CloudおよびOn Premiseのデータセットでは画像データがプラットフォームの外部に置かれるため、スマートアノテーション、クラスタリング、複製、バージョンスナップショットは利用できません。

タスクタイプによって、利用できるツールとモデルが決まります。プラットフォームは、Ultralytics YOLOの7つすべてのタスクに対応しています。

実例：アップロード前にデータセットを確認する#

Platformは、最大50 MBで短辺が28 px以上のJPEG、PNG、WebP、BMP、TIFF、HEIC、AVIF、JP2、DNG、MPO画像を受け付け、YOLO、COCO、LabelMe、UltralyticsまたはLabelbox NDJSON、セマンティックPNGマスクのラベルを読み取ります。Pascal VOC XMLは検出されますが、インポートはされません。このスクリプトは、公開されている医薬品データセットを使って、ローカルのYOLOデータセットがこれらのルールに準拠しているか確認します。

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

出力の見方：

• 分割ごとの件数。 train/、val/、test/フォルダー内の画像は、アップロード後もその分割に保持されるため、この数値がPlatformに表示されます。valの行がない場合、Platformがランダムな検証用分割を自動で作成します（以下の落とし穴を参照）。
• 背景画像（ラベルファイルなし）は、適度な数であれば問題ありません。「ここには何もない」状態をモデルに学習させるのに役立ちます。数百枚もある場合は、通常、ラベルのエクスポートに失敗しています。
• problems: noneは、すべての画像が処理されることを意味します。ここに表示される件数は、Errorsタブに入るか、まったく取り込まれないファイルの数です。

データセットフォルダーをdata.yamlと一緒にZIP圧縮し、アーカイブをギャラリーにドラッグします。Platformは形式を自動検出し、同一画像は1つだけ保存します。また、データセット内の既存画像とアップロード画像が重複した場合は、スキップ、両方を保持、置換のいずれかを選択できます。

実例：Platformに任せる前に動画をサンプリングする#

Platformは各動画を1秒あたり1フレームでサンプリングし、最大100フレームを保持します。100秒を超えるクリップでは、間隔を広げます。

手早く確認するには適していますが、ほとんどの実プロジェクトには不十分です。30分のシフト記録も100フレームになり、その多くは何もない通路の映像です。長時間の映像は自分でサンプリングして、フレームをアップロードしてください。

均等にサンプリングするなら、FFmpegで十分です。

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

イベントに応じてサンプリングするには、事前学習済みのUltralytics YOLOモデルを使い、対象物が含まれるフレームだけを保持します。

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は5フレームごとに確認し、classes=[0]は人物に検出対象を限定し、conf=0.5は信頼度の低い予測を無視します。この動きの多いデモクリップでは、サンプリングされたすべてのフレームに人物がいます。ほとんど何もないシーンの記録では、保持される割合が大幅に低下し、ラベリング費用も抑えられます。保持された隣接フレームが同じに見えなくなるまで、vid_strideの値を上げてください。

Platformの処理状況を確認する#

アップロード後、Platformは検証、正規化（4,096 pxを超える画像はリサイズ）、サムネイル生成、ラベル解析、統計計算を行います。次の3か所を確認してください。

• Errorsタブは、ファイルの処理に失敗した場合にのみ表示されます。破損ファイル、未対応形式、28 px未満の画像、CMYKやインデックスカラーの画像などが表示され、それぞれに修正のヒントが示されます。再エクスポートまたは再アップロードしてください。
• Chartsタブには、分割の内訳、上位クラス、画像サイズ、ファイルサイズ、アノテーションの位置、ボックスのサイズ、画像あたりのオブジェクト数が表示されます。出現頻度が極端に低いクラス、小さすぎる画像、特定の隅に集中したボックスがないか確認してください。
• バッジは、処理が完了し、データセットにtrain画像が1枚以上、valまたはtest画像が1枚以上、ラベル付き画像が1枚以上あると、データセットのヘッダーにReadyと表示されます。Not Readyをクリックすると、満たされていない条件を確認できます。

公開データセットから始める#

まだデータがありませんか？Exploreページには、公式データセットとコミュニティデータセットが掲載されています。データセットを複製すると、画像、アノテーション、クラスがワークスペースにコピーされ、ストレージを使用します。デフォルトでは元データセットと同じ公開範囲が引き継がれるため、機密情報を追加する場合はダイアログのスイッチを切り替えてください。

よくある落とし穴#