Gerçekliği Yansıtan Veri Kümeleri

Modeller dünyayı değil, veri kümesini öğrenir#

Bir model, gördüğü örneklerin arasındaki durumlar için tahmin yürütür. Güneşli gündüz sokaklarında eğitip gece sisli bir garajda kullanırsan başarısız olur; arabalar farklı göründüğü için değil, bu koşullarda hiç araba görmediği için. Bu uyumsuzluğa alan kayması denir. Doğrulama görüntüleri de aynı dengesiz koleksiyondan geldiğinde, doğrulama bu konuda seni uyarmaz:

Çözüm algoritmik değil, yapısaldır: Etiketlemeden önce dağıtım dünyasından bilinçli olarak örnekler al. Veri toplama ve açıklama kılavuzu uygulama ayrıntılarını ele alıyor.

Gerçek bir veri kümesini denetle#

Yukarıdaki medical-pills veri kümesi, tüm hapların kutularla işaretlendiği blister ambalaj yakın çekimleriyle, denetim için iyi bir örnektir. Ultralytics Platform, veri kümesi sayfasında temel sayıları gösterir; aşağıdaki komut dosyası ise ultralytics ile birlikte gelen kopyadaki kapsama durumunu ortaya çıkaran ölçümleri hesaplar:

from collections import Counter
from pathlib import Path

from PIL import Image, ImageStat
from ultralytics.data.utils import check_det_dataset

data = check_det_dataset("medical-pills.yaml")  # downloads the dataset on first use

for split in ("train", "val"):
    images = sorted(Path(data[split]).glob("*.jpg"))
    labels = [Path(str(p).replace("/images/", "/labels/")).with_suffix(".txt") for p in images]
    rows = [line.split() for f in labels if f.exists() for line in f.read_text().splitlines()]
    classes = Counter(data["names"][int(r[0])] for r in rows)
    backgrounds = sum(not f.exists() or not f.read_text().strip() for f in labels)
    areas = sorted(float(r[3]) * float(r[4]) for r in rows)  # box area as a share of the image
    sizes = Counter(Image.open(p).size for p in images)
    brightness = [ImageStat.Stat(Image.open(p).convert("L")).mean[0] for p in images]
    print(f"{split}: {len(images)} images, {backgrounds} backgrounds, {dict(classes)}, sizes {dict(sizes)}")
    print(f"  boxes: median {areas[len(areas) // 2]:.1%} of the image, {sum(a < 0.01 for a in areas)} of {len(areas)} under 1%")
    print(f"  brightness: {min(brightness):.0f} to {max(brightness):.0f} (0 = black, 255 = white)")

train: 92 images, 0 backgrounds, {'pill': 1623}, sizes {(1920, 1080): 92}
  boxes: median 1.4% of the image, 320 of 1623 under 1%
  brightness: 171 to 198 (0 = black, 255 = white)
val: 23 images, 0 backgrounds, {'pill': 399}, sizes {(1920, 1080): 23}
  boxes: median 1.4% of the image, 79 of 399 under 1%
  brightness: 171 to 198 (0 = black, 255 = white)

Bunu, her satırında bir bulgu olan kapsama raporu olarak oku:

Doğrulama görüntüleri bu özelliklerin her birini paylaştığı için bunların hiçbiri doğrulama puanında görünmez.

Kapsamanın dört boyutu#

Marina örneğinde gözden kaçan boyut bakış açısıydı: aynı sınıf, yeni bir açı ve geri çağırım sıfıra düştü.

Zor negatifler ve arka plan görüntüleri#

Bir algılayıcının hedefin ne olmadığını da öğrenmesi gerekir. Zor negatifler yüzeysel olarak hedefe benzer: forklift algılayıcısı için transpalet, makaslı platform, parlak zemindeki forklift yansıması ve üzerine forklift basılmış bir güvenlik posteri.

YOLO biçiminde arka plan görüntüsü, etiket dosyası olmayan, yani üzerine hiçbir şey çizilmeyen bir görüntüdür. Ultralytics eğitim ipuçları, yanlış pozitifleri azaltmak için yaklaşık %0–10 arka plan görüntüsü önerir; COCO'nun kendisinde bu oran yaklaşık %1'dir. Bu payı rastgele boş kareler yerine kendi ortamındaki zor negatiflerle doldur. Veri artırma parlaklığı ve açıyı değiştirebilir ama modelin daha önce hiç görmediği bir transpaleti ortaya çıkaramaz.

Yaygın Hatalar#

Hedef koşul başına sayılar içeren bir örnekleme planı için Yüksek Performanslı YOLO Veri Kümeleri Oluşturma içindeki Yüksek Kaliteli, Temsili Veri Toplama bölümüne geç.