Yüksek Performanslı YOLO Veri Kümeleri Oluşturma
Eğitim öncesi yapılacak işler için uygulamalı bir yol haritası: iş hedefini bir kabul testine dönüştür, temsili verileri tanımlayıp topla, tutarlı etiketleme yap, komut dosyalarıyla kaliteyi denetle, veri sızıntısı olmadan böl, artırma ayarlarını düzenle ve ilk Ultralytics YOLO26 ince ayarını bir hazırlık kontrolüne bağla.
Hazırlayan Ultralytics Academy
Bir iş hedefini, Ultralytics YOLO26 üzerinde ince ayar yapmak için hazır, belgelenmiş, dengeli ve veri sızıntısı içermeyen bir veri kümesine dönüştür; henüz hazır değilse tam olarak neyi düzeltmen gerektiğini bil.
Bir iş hedefini, bir görüntü işleme görevine, tanımlanmış sınıflara ve kod olarak çalıştırabileceğin bir kabul testine dönüştür.
Senaryo kotaları içeren ve Ultralytics hedeflerine göre boyutlandırılmış bir veri kümesi tanımı yaz: sınıf başına ≥1,500 görsel ve ≥10,000 etiketli örnek, %0–10 arka plan görseli.
Gerçek dağıtım koşullarında veri topla, çekim meta verilerini dosya adlarında tut ve veri kümesini doldurmadan videolardan örnek al.
Yazılı bir kılavuz, ölçümlenmiş bir kalibrasyon turu ve en sık görülen on etiketleme hatasını göz önünde bulundurarak tutarlı etiketleme yap.
Kısa Python komut dosyalarıyla etiketleri, sınıf dengesini, yinelenen kayıtları ve muhtemel eksik etiketleri denetle.
Doğrulama puanlarının üretimi yansıtması için gruba göre (klip, kamera, gün, saha) böl ve test kümesini sabitle.
Dağıtım koşullarına uygun artırma ayarları seç ve bunları eğitim yığınlarında doğrula.
Eğitimi sekiz maddelik bir hazırlık kontrolüne bağla ve temel bir ince ayarı, veri kümesinde sıradaki düzeltme için kullan.
PASS veya FAIL yazdıran tek sayfalık bir hedef ve bir kabul testi komut dosyası.
Senaryo kotaları, uç durumlar ve arka plan payı içeren bir veri kümesi tanımı.
Her dosya adında çekim meta verileri bulunan bir uygulama veri kümesi ve kotalarına göre bir kapsama raporu.
Ölçülmüş bir uyum puanıyla tamamlanan kalibrasyon turunda iyileştirilmiş bir etiketleme kılavuzu.
Kısa kalite kontrol notlarıyla bir kalite kontrol denetimi ve şüpheli etiket incelemesi.
Bölümler arasında klip, kamera veya gün paylaşımı olmayan, gruplandırılmış eğitim / doğrulama / test dosya listeleri.
Puanlanmış bir hazırlık kontrolü, sınıfa göre sıralanmış ilk ince ayar ve yeniden kullanılabilir bir başlangıç kontrol listesi.
Makine öğrenimi geçmişi gerekmiyor: her kavram kullanılmadan önce açıklanıyor.
Komut dosyalarını çalıştırmak için Python 3.10+ ve
pip install ultralytics; tüm örnekler için CPU yeterlidir.Önerilen: temel terminoloji için Computer Vision Foundations.
Kurs içeriği
5 modül · 10 dersModül 1
İş Hedefiyle Başla
Tek bir görsel bile toplanmadan önce bir iş hedefini görüntü işleme görevine, tanımlanmış sınıflara ve kod olarak çalıştırabileceğin bir kabul testine dönüştür.
Veri Kümesi Tanımını Oluştur
Toplama başlamadan önce senaryoları, kotaları, çeşitliliği, uç durumları ve arka plan görüntülerini planla; planın boyutunu Ultralytics'in hacim hedeflerine göre belirle.
Modül 3
Etiketleme İçin En İyi Uygulamalar
Bir etiketleme kılavuzu yaz, bir araç seç, doğruluğu sessizce düşüren on hatadan kaçın ve ölçeği büyütmeden önce bir betikle etiketleyiciler arasındaki uyumu ölç.
Veri Kümesi Kalite Kontrolü
Bir betikle etiketleri, sınıf dengesini, yinelenenleri ve bölümlerin kapsamını denetle; eksik etiket olabilecek yerleri bir modele belirlet ve eğitimden önce bulduklarını düzelt.
Modül 4
Veri Kümesini Doğru Şekilde Böl
Rastgele bölmelerin nasıl veri sızıntısına yol açtığını ölç, bir betikle klipler, kameralar veya günler gibi grupları bütün hâlde böl, sınıf kapsamını kontrol et ve test kümesini kilitle.
Artırmayı Dikkatli Kullan
Her artırma yöntemini dağıtım kamerasında test et, gerekçelendirilmiş bir profil oluştur, bu profille eğitim yap ve eğitim partilerindeki sonucu kontrol et.
Modül 5
Veri Kümesinin Ne Zaman Hazır Olduğunu Bil
İlk eğitim çalıştırmasını sekiz geçer/kalır kontrolüne bağla, bir betiğin doğrulayabileceği üçünü otomatikleştir ve her başarısızlığın hangi düzeltmeyi gerektirdiğini bil.
İlk İnce Ayar ve Yineleme Döngüsü
Önceden eğitilmiş YOLO26 ağırlıklarını varsayılan ayarlarla ince ayarla, sınıfları AP'ye göre kaçırma ve karıştırma sayılarını kullanarak sırala ve en zayıf sınıfı bir sonraki veri kümesi düzeltmesine dönüştür.
Kurumsal Müşteri Kontrol Listesi
Veri toplamadan önce tüm veri kümesi kararlarını kaydeden ve her yeniden eğitim öncesinde aşama koşullarını denetleyen, müşteriye sunulabilecek tek sayfalık bir başlangıç kontrol listesi.