Veri Ekle ve Hazırla

Veri Kümesini Oluştur#

Kenar çubuğunda Annotate öğesini aç ve New Dataset öğesine tıkla. İletişim kutusu bir kaynak, ad, görev türü, isteğe bağlı lisans, yüz bulanıklaştırma seçeneği ve görünürlük sorar:

Karar kuralı: bu kurs için bir kopya yükle. Bulut ve Şirket İçi veri kümelerinde pikseller Platform dışında kalır; bu nedenle akıllı etiketleme, Kümeleme, klonlama ve sürüm anlık görüntüleri kullanılamaz.

Görev türü, hangi araçların ve modellerin görüneceğini belirler. Platform, Ultralytics YOLO'nun yedi görevinin tümünü destekler:

Çözümlü Örnek: Yüklemeden Önce Veri Kümesini Kontrol Et#

Platform, 50 MB'a kadar ve kısa kenarı en az 28 px olan JPEG, PNG, WebP, BMP, TIFF, HEIC, AVIF, JP2, DNG ve MPO görüntülerini kabul eder; YOLO, COCO, LabelMe, Ultralytics veya Labelbox NDJSON biçimlerini ve anlamsal PNG maske etiketlerini okur. Pascal VOC XML algılanır ancak içe aktarılmaz. Bu betik, yerel bir YOLO veri kümesini bu kurallara göre denetler; burada herkese açık medical pills veri kümesini kullanıyor:

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

Çıktının anlattıkları:

• Bölüm başına sayılar. train/, val/ ve test/ klasörlerindeki görüntüler, yükleme sırasında bulundukları bölümü korur; dolayısıyla Platform bu sayıları gösterir. val satırının olmaması, Platform'un senin için rastgele bir doğrulama bölümü oluşturacağı anlamına gelir (aşağıdaki tuzağa bak).
• Arka plan görüntüleri (etiket dosyası olmayanlar) ölçülü kullanıldığında sorun olmaz; modele “burada hiçbir şey yok” durumunun nasıl göründüğünü öğretirler. Yüzlerce arka plan görüntüsü genellikle etiketlerin dışa aktarılamadığı anlamına gelir.
• problems: none, her görüntünün işleneceği anlamına gelir. Buradaki her sayı, Errors sekmesine düşecek ya da hiç ulaşmayacak bir dosyadır.

Veri kümesi klasörünü data.yaml ile birlikte ZIP'le ve arşivi galeriye sürükle. Platform biçimi otomatik algılar, aynı görüntüleri yalnızca bir kez depolar ve yüklenen bir dosya veri kümesindeki mevcut görüntülerle çakıştığında Atla, İkisini de tut veya Değiştir seçeneklerinden hangisini istediğini sorar.

Çözümlü Örnek: Platform İşlemeden Önce Videoyu Örnekle#

Platform her videodan saniyede 1 kare örnekler ve en fazla 100 kare tutar; 100 saniyeden uzun kliplerde aralığı genişletir:

Bu yöntem hızlıca göz atmaya uygundur, ancak gerçek projelerin çoğunda işe yaramaz: 30 dakikalık bir vardiya kaydı, çoğu boş bir koridordan alınmış 100 kareye dönüşür. Uzun görüntüleri kendin örnekle ve kareleri yükle:

Düzenli aralıklarla örnekleme için FFmpeg yeterlidir:

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

Olay odaklı örnekleme için, nesnenin bulunduğu kareleri tutması amacıyla önceden eğitilmiş bir Ultralytics YOLO modeli kullan:

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 her beş kareden birine bakar, classes=[0] algılamayı kişilerle sınırlar ve conf=0.5 güven düzeyi düşük tahminleri yok sayar. Bu hareketli demo klibinde örneklenen her karede insanlar var; çoğunlukla boş bir sahnenin kaydında tutulan karelerin oranı ve dolayısıyla etiketleme maliyetin keskin biçimde düşer. Yan yana tutulan kareler artık birbirinin aynısı görünmeyene kadar vid_stride değerini artır.

Platform'un İşleme Sinyallerini Oku#

Yüklemeden sonra Platform doğrulama yapar, normalleştirir (4.096 px üzerindeki görüntüleri yeniden boyutlandırır), küçük resimler oluşturur, etiketleri ayrıştırır ve istatistikleri hesaplar. Üç yeri kontrol et:

• Errors sekmesi yalnızca dosyalar işlenemediğinde görünür: bozuk dosyalar, desteklenmeyen biçimler, 28 px'den küçük görüntüler veya CMYK ve dizinlenmiş renk modları; her biri için bir düzeltme ipucu gösterilir. Bu dosyaları yeniden dışa aktar veya yükle.
• Charts sekmesi bölüm dağılımını, en sık görülen sınıfları, görüntü boyutlarını, dosya boyutlarını, anotasyonların konumlarını, kutu boyutlarını ve görüntü başına nesne sayılarını gösterir. Nadir görülen bir sınıf, küçük görüntüler veya tek bir köşede kümelenmiş kutular olup olmadığına bak.
• Veri kümesi başlığındaki rozet, işleme tamamlandığında ve veri kümesinde en az bir train görüntüsü, bir val veya test görüntüsü ve etiketlenmiş bir görüntü bulunduğunda Ready yazar. Hangi koşulun eksik olduğunu görmek için Not Ready öğesine tıkla.

Herkese Açık Bir Veri Kümesiyle Başla#

Henüz verin yok mu? Keşfet sayfasında resmî ve topluluk veri kümeleri listelenir. Veri Kümesini Klonla, görüntüleri, anotasyonları ve sınıfları çalışma alanına kopyalar, depolama alanından düşer ve varsayılan olarak kaynak veri kümesinin herkese açık görünürlüğünü korur; bu nedenle hassas bir şey ekleyeceksen iletişim kutusundaki anahtarı değiştir.

Yaygın Hatalar#