Добавь и подготовь данные

Создай датасет#

Открой Annotate на боковой панели и нажми New Dataset. В диалоге нужно указать источник, название, тип задачи, необязательную лицензию, размытие лиц и видимость:

Правило принятия решения: для этого курса загрузи копию. Для датасетов из Cloud и On Premise данные изображений остаются вне платформы, поэтому умная аннотация, кластеризация, клонирование и снимки версий для них недоступны.

Тип задачи определяет, какие инструменты и модели будут доступны. Платформа поддерживает все семь задач Ultralytics YOLO:

Пример: проверь датасет перед загрузкой#

Платформа принимает изображения JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG и MPO размером до 50 МБ и не менее 28 пикселей по короткой стороне, а также распознаёт метки форматов YOLO, COCO, LabelMe, Ultralytics или Labelbox NDJSON и семантические PNG-маски. Файлы Pascal VOC XML распознаются, но не импортируются. Этот скрипт проверяет локальный датасет YOLO на соответствие этим правилам; в примере используется общедоступный датасет 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

Что означают результаты:

• Количество объектов в каждой выборке. Изображения в папках train/, val/ и test/ сохранят принадлежность к этой выборке при загрузке — именно эти числа отобразит Платформа. Если строки val нет, Платформа случайным образом создаст для тебя валидационную выборку (см. ниже, в разделе о подводных камнях).
• Фоновые изображения (без файла с метками) допустимы в умеренном количестве: они помогают модели понять, как выглядит «здесь ничего нет». Если их сотни, скорее всего, метки не экспортировались.
• problems: none означает, что обработка изображений не завершена. Здесь указано количество файлов, которые попадут на вкладку Errors или не будут загружены вовсе.

Заархивируй папку датасета вместе с data.yaml и перетащи архив в галерею. Платформа автоматически определит формат, сохранит одинаковые изображения только один раз и при конфликте с уже имеющимися в датасете изображениями предложит Пропустить, Оставить оба или Заменить.

Пример: проверь видео перед обработкой на Платформе#

Платформа выбирает из каждого видео по одному кадру в секунду и сохраняет не более 100 кадров. Для роликов длиннее 100 секунд интервал увеличивается:

Для быстрого просмотра этого достаточно, но для большинства реальных проектов не подходит: из 30-минутной записи смены получится 100 кадров, на которых в основном будет пустой проход. Самостоятельно выбери кадры из длинного видео и загрузи их:

Для равномерной выборки достаточно FFmpeg:

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

Для выборки по событиям используй предварительно обученную модель Ultralytics YOLO, чтобы сохранить только кадры с нужным объектом:

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 проверяет каждый пятый кадр, classes=[0] ограничивает поиск людьми, а conf=0.5 отбрасывает ненадёжные предсказания. В этом демонстрационном ролике с активным движением люди есть в каждом выбранном кадре; в записи преимущественно пустой сцены доля сохранённых кадров резко снизится, как и расходы на разметку. Увеличивай vid_stride, пока соседние сохранённые кадры не перестанут выглядеть одинаково.

Как читать сигналы обработки на Платформе#

После загрузки Платформа проверяет и нормализует данные (изображения больше 4 096 пикселей уменьшаются), создаёт миниатюры, обрабатывает метки и вычисляет статистику. Проверь три места:

• Вкладка Errors появляется только при ошибках обработки файлов: повреждённых файлах, неподдерживаемых форматах, изображениях меньше 28 пикселей, а также изображениях в режимах CMYK и индексированных цветов. Для каждой ошибки есть подсказка по исправлению. Экспортируй эти файлы заново или загрузи их повторно.
• На вкладке Charts показаны распределение по выборкам, наиболее распространённые классы, размеры изображений и файлов, расположение аннотаций, размеры рамок и количество объектов на изображение. Обрати внимание на редко встречающиеся классы, крошечные изображения и рамки, сгруппированные в одном углу.
• Значок в заголовке датасета показывает Ready после завершения обработки, если в датасете есть хотя бы одно изображение из train, одно изображение из val или test и одно изображение с меткой. Нажми Not Ready, чтобы узнать, какое условие не выполнено.

Начни с общедоступного датасета#

Пока нет данных? На странице Explore перечислены официальные датасеты и датасеты сообщества. Функция Clone Dataset копирует изображения, аннотации и классы в твою рабочую область, учитывает их в объёме хранилища и по умолчанию сохраняет общедоступность исходного датасета. Поэтому, если ты собираешься добавить конфиденциальные данные, переключи соответствующий параметр в диалоге.

Подводные камни#