Özel Bir Veri Kümesi Hazırla

Alıştırma Veri Kümesini Al#

Aşağıdaki düzen, Ultralytics Platform'un Yeni Veri Kümesi iletişim kutusunun ZIP dosyası olarak kabul ettiği düzenle aynıdır; dolayısıyla burada hazırladığın veri kümesini değiştirmeden yükleyebilirsin. Blister ambalajlardaki hapların 92 eğitim ve 23 doğrulama karesini indir ve my_dataset içine aç:

curl -L -o medical-pills.zip https://github.com/ultralytics/assets/releases/download/v0.0.0/medical-pills.zip
unzip -q medical-pills.zip -d my_dataset

my_dataset/
├── images/
│   ├── train/   Frame_0.jpg, Frame_100.jpg, ... (92 images)
│   └── val/     Frame_144.jpg, ... (23 images)
└── labels/
    ├── train/   Frame_0.txt, Frame_100.txt, ... (92 files)
    └── val/     Frame_144.txt, ... (23 files)

Manifest dosyası yok. Ultralytics, görüntü yolundaki /images/ değerini /labels/ ile ve uzantıyı .txt ile değiştirerek her etiketi bulur; bu nedenle images/val/Frame_144.jpg, labels/val/Frame_144.txt dosyasını okur. Bunun iki sonucu var:

• Klasörlerin yan yana ve tam olarak images ile labels adlarına sahip olması gerekir.
• Etiket dosyası boş ya da eksik olan bir görüntü arka plan görüntüsüdür: geçerlidir ve modele neyi tespit etmemesi gerektiğini öğretmek için yararlıdır; ancak bunu yalnızca bilerek yaptıysan kullan.

Etiket Satırını Oku#

Her satır tek bir nesneyi belirtir: önce bir tamsayı sınıf indeksi, ardından sınırlayıcı kutunun merkezi ve boyutu, görüntü genişliğinin ve yüksekliğinin kesirleri olarak verilir. labels/train/Frame_0.txt dosyasından gerçek bir satır:

0 0.330729 0.816204 0.103125 0.121296

• 0: YAML dosyasında pill adı verilecek sınıf indeksi 0.
• 0.330729 0.816204: kutunun merkezi, yatayda yolun %33'ünde ve dikeyde %82'sinde.
• 0.103125 0.121296: kutu, görüntünün genişliğinin yaklaşık %10'u ve yüksekliğinin %12'si kadar.

Uygulamalı Örnek: Piksel Koordinatlı Bir Kutuyu Dönüştür#

Etiketleme araçları çoğu zaman piksel cinsinden köşe koordinatlarını dışa aktarır (x1, y1, x2, y2). Görüntü boyutlarına böl. Önceki dersteki 810×1080 boyutlu bus.jpg görüntüsünde en soldaki kişi (49, 398) ile (240, 902) koordinatları arasında:

Çoğu etiketleme aracı ve Roboflow gibi araçlar YOLO biçimini doğrudan dışa aktarabilir. COCO JSON için COCO JSON eğitim kılavuzunu izle; diğer biçimler için JSON2YOLO deposuna bak. Pascal VOC XML için yukarıdaki formül kısa bir betiğe sığar:

import xml.etree.ElementTree as ET
from pathlib import Path

CLASSES = ["person", "bus"]  # index = class id; must match names in data.yaml

def voc_to_yolo(xml_file: Path, out_dir: Path) -> None:
    root = ET.parse(xml_file).getroot()
    w, h = int(root.find("size/width").text), int(root.find("size/height").text)
    lines = []
    for obj in root.iter("object"):
        name = obj.find("name").text
        if name not in CLASSES:
            continue
        box = obj.find("bndbox")
        x1, y1, x2, y2 = (float(box.find(k).text) for k in ("xmin", "ymin", "xmax", "ymax"))
        xc, yc, bw, bh = (x1 + x2) / 2 / w, (y1 + y2) / 2 / h, (x2 - x1) / w, (y2 - y1) / h
        lines.append(f"{CLASSES.index(name)} {xc:.6f} {yc:.6f} {bw:.6f} {bh:.6f}")
    out_dir.mkdir(parents=True, exist_ok=True)
    (out_dir / f"{xml_file.stem}.txt").write_text("\n".join(lines) + "\n")

voc_to_yolo(Path("bus.xml"), Path("labels"))
print(Path("labels/bus.txt").read_text())

Önceki dersteki kişi ve otobüs kutularını içeren bir bus.xml üzerinde çalıştırıldığında, uygulamalı örneği ve otobüsü yazdırır:

0 0.178395 0.601852 0.235802 0.466667
1 0.495679 0.454167 0.991358 0.482407

Eğitimden Önce Kontrol Et#

Birkaç etiket dosyasını ilgili görüntülerin üzerine çiz. Sınıfın kaymış olması, x ile y'nin yer değiştirmesi veya kutuların gölgeleri sarması gözle kolayca fark edilir ama metriklerde görünmez:

from ultralytics.data.utils import visualize_image_annotations

visualize_image_annotations(
    "my_dataset/images/train/Frame_0.jpg",
    "my_dataset/labels/train/Frame_0.txt",
    {0: "pill"},
)

Ardından Ultralytics'in her dosyayı denetlemesini sağla. Veri kümesini ilk okuduğunda etiketleri tarar ve her görüntünün kullanılabilir olup olmadığına satır satır karar verir:

Tarama satırı sonucu bildirir: sağlıklı bir veri kümesinin nasıl göründüğünü 23 images, 0 backgrounds, 0 corrupt gösterir. Bunun dışındaki her şey aşağıdaki hatalardan biridir.

Bu Hatalardan Kaçın#

Tüm veri kümesinde sistematik kontroller için Veri Kümesi Kalite Kontrolü konusuna bak. coco8, coco128 ve african-wildlife gibi yerleşik kümeler, örnek alınabilecek iyi düzenlere sahiptir; veri kümelerine genel bakış hepsini listeler. Eğitici, etiketlerine veri artırma uygular; bu nedenle burada yapacağın hızlı bir veri temizliği her epoch'ta karşılığını verir.