Colete dados representativos e de alta qualidade

A variedade supera o volume#

Compare dois conjuntos de dados voltados à mesma implantação:

A pontuação de validação do primeiro conjunto de dados é alta apenas porque a validação mede a única condição que ele cobre. Em produção, um modelo só é tão bom quanto o cenário com pior cobertura que encontra. Priorize a cobertura da especificação na coleta e deixe o volume em segundo lugar.

Escolha as fontes na ordem certa#

A maior parte do conjunto de dados deve vir da configuração real de produção. O guia de coleta e anotação de dados aborda cada fonte com mais detalhes:

Use imagens encenadas, públicas e sintéticas para preencher lacunas específicas e identificadas na especificação, e acompanhe a proporção delas no conjunto de dados para medir se ajudam. Na Ultralytics Platform, Gerar imagens semelhantes adiciona variações geradas de uma imagem existente a um conjunto de dados, sem rótulos e prontas para anotação.

Inclua os metadados no nome do arquivo#

Cada imagem precisa ter, no mínimo, um ID da câmera, o dia da captura e um número de quadro ou clipe. Sem eles, você não pode dividir os dados por grupo mais tarde, rastrear uma regressão até sua origem ou coletar mais dados de um cenário sub-representado. O meio mais duradouro de armazenar essas informações é o nome do arquivo: cam2_2026-05-01_000124.jpg resiste a todas as ferramentas, exportações e carregamentos. A busca de conjuntos de dados da Ultralytics Platform encontra nomes de arquivos e metadados personalizados, mantendo essas chaves pesquisáveis após o carregamento.

Este script cria o conjunto de dados de prática usado no restante do curso. Ele copia as imagens rotuladas do COCO128 e as renomeia como se quatro câmeras as tivessem capturado ao longo de quatro dias, com cam1 coletada em excesso, como costuma acontecer com uma câmera conveniente:

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

O carregamento na Ultralytics Platform preserva esses nomes de arquivo. A janela de carregamento também aceita vídeos e conjuntos de dados inteiros, e suas configurações incluem o desfoque de rostos para proteger a privacidade.

Acompanhe a cobertura em relação à especificação#

Com os metadados nos nomes de arquivo, a cobertura pode ser contada. Defina as cotas com base na sua especificação e deixe que o script indique o que coletar a seguir:

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}

A regra de decisão: pare de coletar de qualquer fonte que tenha ultrapassado a cota e concentre o esforço nas lacunas. Aqui, cam1 já representa 40% das imagens. Mais uma semana de gravações dessa fonte aumentaria o volume, mas não acrescentaria cobertura.

Amostre vídeos sem sobrecarregar o conjunto de dados#

O vídeo é a fonte mais barata e a mais fácil de usar mal. A 30 quadros por segundo, um minuto produz 1.800 quadros quase idênticos, e rotular o mesmo momento duas vezes custa dinheiro e infla as métricas. Mantenha um quadro apenas quando a cena tiver mudado desde o último quadro mantido:

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

O clipe de dois segundos contém 62 quadros, mas apenas 6 momentos visualmente distintos. O script compara pequenas miniaturas em escala de cinza, por isso é rápido mesmo com horas de gravação. Aumente o limite de 10 para manter menos quadros de câmeras estáticas; diminua-o para cenas com movimentos rápidos. Distribua também o orçamento entre os clipes: 20 quadros de cada um de 50 clipes são melhores do que 1.000 quadros de um só clipe.

Evita as armadilhas da recolha#

Viés e consentimento#

O viés é um problema de recolha, não de modelação: nenhum hiperparâmetro corrige a ausência de um grupo nos dados. O guia de recolha de dados apresenta quatro medidas: fontes diversificadas, representação equilibrada, auditorias regulares da cobertura e mitigação, como a sobreamostragem de grupos sub-representados.

Se as imagens contiverem rostos, matrículas ou outros dados pessoais, precisas de consentimento e de uma política de retenção antes de iniciar a recolha. A entrada do glossário sobre privacidade de dados é um bom ponto de partida, e Privacidade, regiões e conformidade explica como manter os dados na jurisdição correta com dataRegion.