Veri Kümesi Tanımını Oluştur

Tanımın yeri#

Tanım, hedef ile kamera arasındaki köprüdür. Veri toplamaya yön verir ve ilk model hedefini tutturamadığında başvuracağın sayfadır:

Döngü eğitim ayarlarına değil, tanıma geri döner: hedefin tutmaması genellikle tanımda yer almayan bir senaryoya işaret eder. Bir CV projesinin adımları kılavuzu da aynı yaşam döngüsünü açıklar.

Senaryoları satırlar hâlinde yaz#

Senaryo, modelin ele alması gereken yakalama koşullarının tek bir birleşimidir. Kotalı satırlar, herhangi biri kamerayı eline almadan önce boşlukları görünür kılar:

Yazıya dökemediğin bir senaryo, modelin eğitimde görmeyeceği bir senaryodur ve üretimde başarısız olacağı senaryo da bu olacaktır.

Tanımı hacim hedeflerine göre boyutlandır#

Ultralytics en iyi eğitim sonuçları için ipuçları, üretimde kullanabileceğin pratik kurallar sunar:

Bunlar üretim modeli için asgari eşiktir. Sınıf başına birkaç yüz etiketlenmiş nesne, denemelere başlamak için yeterlidir ve ilk model, hangi senaryoların daha fazla veriye ihtiyaç duyduğunu öğrenmenin en hızlı yoludur. Bir veri kümesinin bu eşiğe ne kadar uzak olduğunu görmek için sayım yap. Bu betik, otomatik indirilen 128 görüntülük bir COCO kesiti olan COCO128 üzerinde çalışır:

from collections import Counter
from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS, check_det_dataset, img2label_paths

IMAGES_PER_CLASS, INSTANCES_PER_CLASS = 1500, 10_000  # Ultralytics production targets

data = check_det_dataset("coco128.yaml")  # downloads COCO128 (~7 MB) on first run; swap in your data YAML
images = [p for p in Path(data["train"]).rglob("*.*") if p.suffix[1:].lower() in IMG_FORMATS]
image_count, instance_count, background = Counter(), Counter(), 0
for label in map(Path, img2label_paths([str(p) for p in images])):
    classes = [int(r.split()[0]) for r in label.read_text().splitlines() if r.strip()] if label.exists() else []
    instance_count.update(classes)
    image_count.update(set(classes))
    background += not classes

print(f"{len(images)} images, {background} background ({background / len(images):.0%}, target 0-10%)")
print(f"{'class':>12} {'images':>7} {'instances':>10} {'of target':>10}")
ranked = instance_count.most_common()
for cls, n in ranked[:3] + ranked[-3:]:  # best and worst covered classes
    coverage = min(image_count[cls] / IMAGES_PER_CLASS, n / INSTANCES_PER_CLASS)
    print(f"{data['names'][cls]:>12} {image_count[cls]:>7} {n:>10} {coverage:>10.1%}")

never_labeled = [name for i, name in data["names"].items() if i not in instance_count]
print(f"{len(never_labeled)} classes in names with zero labels: {never_labeled[:4]} ...")

128 images, 2 background (2%, target 0-10%)
       class  images  instances  of target
      person      61        254       2.5%
         car      12         46       0.5%
         cup      10         36       0.4%
        bear       1          1       0.0%
      banana       1          1       0.0%
        skis       1          1       0.0%
9 classes in names with zero labels: ['fire hydrant', 'parking meter', 'sheep', 'cow'] ...

Nasıl okunur:

• Kapsama, görüntü oranı ile örnek oranından küçük olanıdır; çünkü bir sınıfın ikisine de ihtiyacı vardır. En iyi kapsanan sınıf olan person bile üretim eşiğinin yalnızca %2,5'ine ulaşır.
• Tek örneği olan sınıflar (bear, banana, skis) öğrenilemez veya ölçülemez. Kendi veri kümen için bu sınıflara ya veri topla ya da v1'den çıkar.
• Etiketi olmayan sınıflar YAML'da listelenmiştir ancak hiç çizilmemiştir. Model yine de kapasitesini bu sınıfları tahmin etmeye harcar. Bunları names dosyasından kaldır veya eğitimden önce bu sınıflar için veri topla.

Çeşitlilik boyutlarını kapsa#

Tek bir karede bile yakındaki ve uzaktaki insanlar, bisikletler, bir köpek ve arabalar bir aradadır. Gerçek bir tanımın bu çeşitliliği bilerek planlaması gerekir. Her boyut için tanımın bu durumu kapsayıp kapsamadığını veya neden geçerli olmadığını yaz; boş satırlar, üretimde karşılaşacağın senaryolardır:

Çeşitlilik, hacimden daha önemlidir: Bu satırlara dağıtılmış 1.500 görüntü, öğle vakti tek bir kameradan alınan 5.000 görüntüden daha değerlidir.

Arka plan görüntülerini ve uç durumları planla#

Arka plan görüntüleri, boş bir yükleme alanı gibi etiketlenmiş nesne içermeyen karelerdir. Modele orada hiçbir şey olmadığını öğretir ve yanlış pozitifleri azaltır.

Uç durumlar; yoğun örtülme, kare kenarında kesilmiş nesneler, alışılmadık yönelimler, üst üste yığılmış nesneler ve forklift direğiyle çelik kolon gibi birbirine benzeyen nesnelerdir. Her birine kendi kota satırını ayır.