Dataset

Arahkan pelatihan ke dataset

data= mengambil jalur YAML atau nama konfigurasi yang disertakan dengan paket.

from libreyolo import LibreYOLO model = LibreYOLO("LibreYOLO9s.pt") # Nama bundel, jalur relatif, atau jalur absolut semuanya bisa digunakan.model.train(data="coco8.yaml", epochs=10)

libreyolo train model=LibreYOLO9s.pt data=coco8.yaml epochs=10

Nama diselesaikan dalam urutan tetap: jalur absolut yang ada, kemudian nama seperti yang diberikan relatif terhadap direktori kerja, kemudian nama yang sama dengan .yaml ditambahkan, kemudian direktori konfigurasi yang dibundel. Ketika tidak ada yang cocok, kesalahan menyebutkan setiap direktori yang dicari dan mencantumkan konfigurasi yang dibundel.

Konfigurasi yang dibundel

Tiga belas konfigurasi dataset dikirim di dalam paket, di bawah libreyolo/config/datasets/.

Hanya coco8.yaml dan coco128.yaml yang memiliki URL unduhan langsung. Sisanya menggunakan blok unduhan Python, yang memerlukan persetujuan seperti dijelaskan di bawah, atau mengharapkan data sudah ada di disk.

Lokasi dataset di disk

Kunci YAML path menamai root dataset. path absolut digunakan sebagaimana tertulis. Yang relatif dicari terlebih dahulu di bawah direktori dataset, kemudian di samping berkas YAML itu sendiri, dan dataset yang akan diunduh ditempatkan di direktori dataset.

Direktori itu adalah ~/datasets, digantikan oleh LIBREYOLO_DATASETS_DIR . Tidak ada berkas pengaturan untuk itu.

Kunci YAML

path: my-dataset        # dataset root
train: images/train     # diperlukan untuk melatih
val: images/val         # diperlukan untuk memvalidasi
test: images/test       # opsional
nc: 3                   # opsional; harus sesuai dengan nama
names:
  0: person
  1: helmet
  2: vest
download: https://example.com/my-dataset.zip   # opsional

train, val dan test masing-masing menerima direktori gambar, berkas .txt yang mencantumkan satu jalur gambar per baris, atau daftar yang mencampur keduanya. Baris dalam daftar .txt dapat bersifat relatif, dalam hal ini akan diselesaikan terhadap direktori berkas daftar itu sendiri, dan baris yang dimulai dengan # dilewati.

names dapat berupa daftar atau pemetaan dengan kunci integer. nc bersifat opsional; ketika keduanya hadir dan tidak setuju, dokter melaporkannya sebagai kesalahan.

Tata letak direktori dan berkas label

Deteksi, segmentasi, pose, dan kotak berorientasi semuanya berbagi satu tata letak. Label path diturunkan dari path gambar dengan menulis ulang komponen direktori images menjadi labels dan mengubah ekstensi menjadi .txt:

my-dataset/
  images/train/0001.jpg   ->   labels/train/0001.txt
  images/val/0002.jpg     ->   labels/val/0002.txt

Hanya seluruh komponen path images yang ditulis ulang, sehingga direktori bernama images_old dibiarkan begitu saja.

Satu baris deteksi memiliki lima bidang, semua dinormalisasi terhadap [0, 1] terhadap lebar dan tinggi gambar asli:

<class_id> <cx> <cy> <w> <h>

Berkas label yang hilang atau kosong berarti gambar tidak memiliki objek, dan itu dilatih sebagai daripada menaikkan. Baris dengan lebih dari lima kolom dibaca sebagai poligon dan kotaknya menjadi jangkauan poligon, sehingga ekspor segmentasi yang digunakan untuk pelatihan deteksi dimuat tanpa keluhan. Dokter melaporkan berapa banyak baris yang mengambil jalur itu.

Tugas lainnya

Segmentasi mempertahankan tata letak yang sama dengan baris poligon, <class_id> <x1> <y1> ... <xN> <yN>, setidaknya tiga titik. Sebuah baris deteksi lima-kolom diterima dan berarti sebuah instance persegi panjang.

Pose menambahkan kpt_shape: [K, D] dan opsi flip_idx permutasi ke YAML. Setiap baris tepat 5 + K * D kolom: kotak, kemudian K titik kunci x y atau x y v, dengan visibilitas 0, 1, atau 2.

Kotak berorientasi menggunakan tepat sembilan bidang, kelas diikuti oleh empat titik sudut dalam koordinat ternormalisasi. Tidak ada sudut yang disimpan di dalam berkas.

Segmentasi semantik memasangkan setiap gambar dengan topeng satu saluran dengan resolusi yang sama, diselesaikan dengan menggantikan masks_dir (default masks) untuk images. Nilai piksel 255 berarti diabaikan. label_mapping memetakan ulang ID sumber ke ID pelatihan pada saat dimuat.

Klasifikasi menggunakan pohon ImageFolder alih-alih berkas label, dengan train/ dan val/ masing-masing memiliki satu direktori per kelas. Pemetaan kelas ke indeks adalah urutan nama folder yang diurutkan.

Pemulihan QZL menggabungkan input yang rusak dengan target bersih dengan resolusi yang identik melalui input_dir dan target_dir. Kedalaman, normal permukaan, dan tepi masing-masing menggabungkan sebuah gambar dengan peta padat melalui kunci direktori mereka sendiri.

Kontrak penuh per-task, termasuk konvensi skala kedalaman dan pengkodean PNG ID segmen panoptik, ada di docs/dataset_schema.md dalam repositori perpustakaan.

JSON COCO Asli

Berkas anotasi JSON COCO dapat digunakan langsung. Tambahkan annotations pemetaan, dan jalur split menjadi root gambar:

path: my-dataset
train: images/train
val: images/val
annotations:
  train: annotations/train.json
  val: annotations/val.json

Ketika names hadir, nama kategori JSON harus sesuai dengannya, dan names mendefinisikan id label yang diprediksi model. Tanpa names, id kategori COCO adalah disortir dan dipetakan secara padat ke 0..N-1.

Jalur ini mengharapkan satu direktori gambar per pembagian. Daftar jalur atau .txt daftar gambar meningkatkan alih-alih diam-diam memuat set yang berbeda.

Unduh Otomatis

Sebuah dataset dihitung sebagai hadir ketika jalur train atau val-nya terselesaikan ke direktori yang tidak kosong atau berkas yang sudah ada. Ketika tidak ada, dan YAML memiliki Kunci download, nilainya menentukan apa yang terjadi selanjutnya.

Sebuah URL http atau https diambil dan, jika itu adalah berkas zip, diekstrak ke dalam dataset root. Apa pun selain itu dianggap sebagai skrip Python yang terlampir dan hanya dijalankan ketika allow_download_scripts=True. Tanpa itu, skrip dilewati dengan sebuah peringatan dan pelatihan terus dilakukan terhadap apapun yang ada di disk.

libreyolo train model=LibreYOLO9s.pt data=coco.yaml allow_download_scripts=true

flag adalah gerbang eksekusi kode, bukan gerbang jaringan. Unduhan URL terjadi bagaimanapun; blok download: | yang membutuhkannya. CLI mencetak peringatan ketika flag menyala, dan dokter tidak pernah mengaktifkannya.

Periksa dataset sebelum Anda berlatih

libreyolo doctor membaca deteksi dataset dan melaporkan apa yang akan salah sebelum GPU terlibat. Ia keluar dengan kode 1 ketika menemukan kesalahan, sehingga berfungsi sebagai CI gerbang.

libreyolo doctor my-dataset.yaml

libreyolo doctor my-dataset.yaml strict=true json=true

# Membaca label dan YAML saja. Korupsi, duplikat, dan kebocoran terbagi# Semua pemeriksaan membutuhkan piksel, jadi dilewati.libreyolo doctor my-dataset.yaml fast=true

from libreyolo import doctor report = doctor.diagnose("my-dataset.yaml", imgsz=640) for finding in report.findings:    print(finding.severity.value, finding.check_id, finding.message) raise SystemExit(report.exit_code(strict=False))

Cek datang dalam enam keluarga:

--only dan --skip mengambil id pemeriksaan atau prefiks family, jadi skip=images,labels.tiny_object adalah valid. --fast menghapus setiap pemeriksaan yang membutuhkan untuk mendekode piksel, yang merupakan keluarga images dan splits.

Dua perilaku yang perlu diketahui. --strict membuat peringatan gagal pada kode keluar sekaligus kesalahan. Dan dokter hanya mencakup dataset deteksi: pose, segmen atau kotak berorientasi dataset ditolak dengan pesan yang menyebutkan apa yang terdeteksi, bukan diperiksa terhadap kontrak yang salah.

Terkait

• Hyperparameters untuk argumen train() dilakukan sekali setelah data tersedia.
• Validasi dan metrik untuk evaluasi pada val atau pembagian test.