Criando conjuntos de dados YOLO de alto desempenho
Um guia prático para o trabalho antes do treinamento: transforme um objetivo de negócio em um teste de aceitação, especifique e colete dados representativos, faça a rotulagem de forma consistente, audite a qualidade com scripts, divida os dados sem vazamento, ajuste o aumento de dados e condicione o primeiro ajuste fino do Ultralytics YOLO26 a uma verificação de prontidão.
Por Ultralytics Academy
Transforme um objetivo de negócio em um conjunto de dados documentado, equilibrado e sem vazamento, pronto para o ajuste fino do Ultralytics YOLO26, e saiba exatamente o que corrigir quando ele ainda não estiver pronto.
Transforme um objetivo de negócio em uma tarefa de visão computacional, classes definidas e um teste de aceitação que você possa executar como código.
Elabore uma especificação do conjunto de dados com cotas por cenário, dimensionada de acordo com as metas da Ultralytics: ≥1,500 imagens e ≥10,000 instâncias rotuladas por classe, e 0–10% de imagens de fundo.
Colete dados nas condições reais de implantação, mantenha os metadados de captura nos nomes dos arquivos e amostre vídeos sem sobrecarregar o conjunto de dados.
Faça a rotulagem de forma consistente com um guia escrito, uma rodada de calibração medida e atenção aos dez erros de anotação mais comuns.
Audite rótulos, equilíbrio entre classes, duplicatas e possíveis rótulos ausentes com scripts curtos em Python.
Divida os dados por grupo (clipe, câmera, dia, local) para que as pontuações de validação reflitam a produção, e reserve o conjunto de teste.
Escolha configurações de aumento de dados que correspondam à implantação e verifique-as em lotes de treinamento.
Condicione o treinamento a uma verificação de prontidão de oito itens e use um ajuste fino de referência para identificar a próxima correção no conjunto de dados.
Um objetivo de uma página e um script de teste de aceitação que imprime PASS ou FAIL.
Uma especificação do conjunto de dados com cotas por cenário, casos extremos e uma proporção de imagens de fundo.
Um conjunto de dados de prática com metadados de captura em cada nome de arquivo, além de um relatório de cobertura em relação às suas cotas.
Um guia de rotulagem aprimorado por uma rodada de calibração com uma pontuação de concordância medida.
Uma auditoria de QC e uma revisão de rótulos suspeitos com notas curtas de QC.
Listas agrupadas de arquivos de treinamento / validação / teste, sem clipes, câmeras ou dias compartilhados entre as divisões.
Uma verificação de prontidão pontuada, um primeiro ajuste fino classificado por classe e uma lista de verificação de início reutilizável.
Não é necessário ter conhecimentos de aprendizado de máquina: cada conceito é explicado antes de ser usado.
Python 3.10+ com
pip install ultralyticspara executar os scripts; uma CPU é suficiente para todos os exemplos.Recomendado: Fundamentos de visão computacional para aprender o vocabulário essencial.
Conteúdo do curso
5 módulos · 10 aulasMódulo 1
Comece pelo objetivo de negócio
Transforme um objetivo de negócio em uma tarefa de visão computacional, classes definidas e um teste de aceitação executável como código, antes de coletar qualquer imagem.
Defina a especificação do conjunto de dados
Planeje cenários, cotas, variabilidade, casos extremos e imagens de fundo antes da coleta, e dimensione o plano de acordo com as metas de volume da Ultralytics.
Módulo 3
Boas práticas de anotação
Escreve um guia de anotação, escolhe uma ferramenta, evita os dez erros que prejudicam a precisão sem dar nas vistas e mede a concordância entre anotadores com um script antes de expandir o processo.
Controlo de qualidade do conjunto de dados
Audita os rótulos, o equilíbrio entre classes, as duplicatas e a cobertura das divisões com um script; pede a um modelo que assinale possíveis rótulos em falta e corrige o que encontrares antes do treino.
Módulo 4
Divida o conjunto de dados corretamente
Meça o vazamento causado por divisões aleatórias, divida grupos inteiros, como clipes, câmeras ou dias, com um script, verifique a cobertura das classes e bloqueie o conjunto de teste.
Use o aumento de dados com cuidado
Teste cada transformação com a câmera de implantação, crie um perfil justificado, treine com ele e confira o resultado nos lotes de treino.
Módulo 5
Descobre quando o conjunto de dados está pronto
Condiciona a primeira execução de treinamento a oito verificações de aprovação/reprovação, automatiza as três que um script pode verificar e identifica a correção necessária para cada falha.
Primeiro ajuste fino e ciclo de iteração
Faça o ajuste fino dos pesos pré-treinados do YOLO26 com as configurações padrão, classifique as classes por AP com contagens de erros por objetos não detectados e confusões, e transforme a classe mais fraca na próxima correção do conjunto de dados.
Lista de verificação para clientes empresariais
Uma lista de verificação de início de projeto, de uma página e voltada ao cliente, que registra todas as decisões sobre o conjunto de dados antes da coleta e estabelece critérios para cada novo treinamento.