Yüksek Kaliteli, Temsili Veriler Topla

Çeşitlilik hacimden önemlidir#

Aynı dağıtım hedefi için hazırlanmış iki veri kümesini karşılaştır:

İlk veri kümesinin doğrulama puanı, doğrulamanın yalnızca kapsadığı tek koşulu ölçmesi nedeniyle yüksektir. Üretimde model, karşılaştığı senaryolar arasında kapsamı en zayıf olan kadar iyidir. Önce spesifikasyonun kapsamını, sonra veri hacmini artırmaya odaklan.

Kaynakları doğru sırayla seç#

Veri kümesinin çoğu gerçek üretim kurulumundan gelmelidir. Veri toplama ve etiketleme kılavuzu her kaynağı daha ayrıntılı ele alır:

Spesifikasyondaki belirli ve adı konmuş eksikleri gidermek için sahnelenmiş, kamuya açık ve sentetik görüntüler kullan; işe yarayıp yaramadıklarını ölçebilmek için veri kümesindeki paylarını izle. Ultralytics Platform üzerindeki Benzer görüntüler oluştur özelliği, mevcut bir görüntünün etiketlenmemiş ve etiketlemeye hazır türevlerini veri kümesine ekler.

Meta verileri dosya adına ekle#

Her görüntüde en azından kamera kimliği, çekim günü ve kare veya klip numarası bulunmalıdır. Bunlar olmadan daha sonra gruplara göre ayırma yapamaz, gerilemenin kaynağını izleyemez veya yeterince temsil edilmeyen bir senaryodan daha fazla veri toplayamazsın. En kalıcı taşıyıcı dosya adıdır: cam2_2026-05-01_000124.jpg tüm araçlarda, dışa aktarımlarda ve yüklemelerde korunur. Ultralytics Platform veri kümesi araması dosya adlarıyla özel meta verilerde eşleşme bulur; böylece yüklemeden sonra da bu anahtarlar aranabilir kalır.

Bu betik, kursun geri kalanında kullanılacak alıştırma veri kümesini oluşturur. COCO128'in etiketli görüntülerini kopyalar ve sanki dört kamera bunları dört gün boyunca çekmiş gibi yeniden adlandırır; ayrıca, elverişli bir kamerada genellikle olduğu gibi cam1 fazla örneklenir:

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

Ultralytics Platform'a yükleme, bu dosya adlarını korur. Yükleme iletişim kutusu videoları ve tüm veri kümelerini de kabul eder; ayarlar arasında gizlilik için yüz bulanıklaştırma seçeneği de bulunur.

Kapsamı spesifikasyona göre izle#

Meta veriler dosya adlarında olduğunda kapsamı saymak yeterlidir. Kotaları spesifikasyonuna göre belirle ve betiğin sırada ne toplanması gerektiğini belirtmesini sağla:

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}

Karar kuralı: Kotayı aşan kaynaklardan veri toplamayı durdur ve çabayı eksiklere yönelt. Burada cam1 zaten görüntülerin %40'ını oluşturuyor. Bu kaynaktan bir hafta daha görüntü almak hacmi artırır, ancak kapsama yeni bir katkı sağlamaz.

Veri kümesini şişirmeden videodan örnek seç#

Video, en ucuz kaynak ve yanlış kullanımı en kolay olanıdır. Saniyede 30 kare hızında bir dakika, neredeyse birbirinin aynısı 1.800 kare üretir; aynı anı iki kez etiketlemek hem maliyetlidir hem de metrikleri şişirir. Yalnızca sahne, tuttuğun son kareden bu yana değiştiğinde yeni bir kareyi sakla:

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

İki saniyelik klipte 62 kare bulunmasına rağmen görsel olarak farklı yalnızca 6 an var. Betik, küçük gri tonlamalı küçük resimleri karşılaştırır; bu nedenle saatlerce süren görüntülerde bile hızlı çalışır. Sabit kameralardan daha az kare tutmak için 10 eşiğini yükselt; hızlı hareket eden sahnelerde düşür. Bütçeyi klipler arasında da dağıt: 50 klipten 20'şer kare almak, tek klipten 1.000 kare almaktan daha iyidir.

Veri toplarken yapılan hatalardan kaçın#

Önyargı ve rıza#

Önyargı bir modelleme sorunu değil, veri toplama sorunudur: veride hiç yer almayan bir grubu hiçbir hiperparametre telafi edemez. Veri toplama kılavuzu dört yöntem sıralar: çeşitli kaynaklar, dengeli temsil, kapsama alanının düzenli olarak yeniden denetlenmesi ve yeterince temsil edilmeyen grupların fazla örneklenmesi gibi azaltma yöntemleri.

Görüntüler yüz, plaka veya başka kişisel veriler içeriyorsa, veri toplamaya başlamadan önce rıza alman ve bir saklama politikası belirlemen gerekir. Veri gizliliği sözlük maddesi iyi bir başlangıç noktasıdır; dataRegion ile verileri doğru yargı bölgesinde tutmayı Gizlilik, Bölgeler ve Uyumluluk açıklar.