|
|
--- |
|
|
license: mit |
|
|
task_categories: |
|
|
- object-detection |
|
|
- image-classification |
|
|
tags: |
|
|
- waste-classification |
|
|
- recycling |
|
|
- yolo |
|
|
- computer-vision |
|
|
size_categories: |
|
|
- 1K<n<10K |
|
|
--- |
|
|
|
|
|
# Ku-YOLO Waste Classification Dataset |
|
|
|
|
|
쓰레기 분류를 위한 YOLO 형식 데이터셋입니다. TACO 데이터셋을 기반으로 재활용품 객체 탐지를 위해 재구성되었습니다. |
|
|
|
|
|
## 데이터셋 개요 |
|
|
|
|
|
- **총 이미지 수**: 1,500개 |
|
|
- **총 어노테이션 수**: 4,784개 |
|
|
- **이미지 형식**: JPG |
|
|
- **어노테이션 형식**: YOLO TXT |
|
|
|
|
|
## 클래스 정보 |
|
|
|
|
|
### 5개 대분류 (labels_5classes) |
|
|
|
|
|
| ID | 클래스 | 영문 | 어노테이션 수 | 비율 | |
|
|
|----|--------|------|--------------|------| |
|
|
| 0 | 플라스틱 | Plastic | 1,443 | 30.16% | |
|
|
| 1 | 비닐 | Vinyl | 845 | 17.66% | |
|
|
| 2 | 캔 | Can | 552 | 11.54% | |
|
|
| 3 | 유리 | Glass | 254 | 5.31% | |
|
|
| 4 | 종이 | Paper | 1,690 | 35.33% | |
|
|
|
|
|
### 60개 세부 분류 (labels) |
|
|
|
|
|
플라스틱 병, 유리병, 음료수 캔, 종이컵, 비닐봉투 등 60개의 세부 카테고리로 구성되어 있습니다. |
|
|
자세한 클래스 목록은 `labels/classes.txt`를 참고하세요. |
|
|
|
|
|
## 디렉토리 구조 |
|
|
|
|
|
``` |
|
|
. |
|
|
├── data/ # 이미지 데이터 |
|
|
│ ├── batch_1/ |
|
|
│ ├── batch_2/ |
|
|
│ └── ... (batch_15까지) |
|
|
│ └── annotations.json # COCO 형식 원본 어노테이션 |
|
|
├── labels/ # YOLO 레이블 (60개 클래스) |
|
|
│ ├── batch_1/ |
|
|
│ ├── batch_2/ |
|
|
│ └── ... |
|
|
│ ├── classes.txt |
|
|
│ └── data.yaml |
|
|
├── labels_5classes/ # YOLO 레이블 (5개 대분류) |
|
|
│ ├── batch_1/ |
|
|
│ ├── batch_2/ |
|
|
│ └── ... |
|
|
│ ├── classes.txt |
|
|
│ ├── classes_kr.txt |
|
|
│ └── data.yaml |
|
|
├── dataset_split/ # Train/Val 분할 데이터 (실행 후 생성) |
|
|
│ ├── images/ |
|
|
│ │ ├── train/ # 1,200개 (80%) |
|
|
│ │ └── val/ # 300개 (20%) |
|
|
│ ├── labels/ |
|
|
│ │ ├── train/ |
|
|
│ │ └── val/ |
|
|
│ └── data.yaml |
|
|
├── coco_to_yolo.py # COCO → YOLO 변환 스크립트 |
|
|
├── remap_to_5_classes.py # 60개 → 5개 재분류 스크립트 |
|
|
├── split_train_val.py # Train/Val 분할 스크립트 |
|
|
├── train_yolo.py # 모델 학습 스크립트 |
|
|
├── quick_train.py # 빠른 테스트 학습 |
|
|
├── evaluate.py # 모델 평가 스크립트 |
|
|
├── inference.py # 추론 테스트 스크립트 |
|
|
├── requirements.txt # 필요 패키지 |
|
|
└── README.md |
|
|
``` |
|
|
|
|
|
## 사용 방법 |
|
|
|
|
|
### 전체 학습 프로세스 |
|
|
|
|
|
#### 1단계: 환경 설치 |
|
|
|
|
|
```bash |
|
|
pip install -r requirements.txt |
|
|
``` |
|
|
|
|
|
#### 2단계: 데이터 분할 (Train 80% / Val 20%) |
|
|
|
|
|
```bash |
|
|
python split_train_val.py |
|
|
``` |
|
|
|
|
|
이 스크립트는 데이터를 Train/Validation으로 8:2 비율로 분할하고 `dataset_split/` 디렉토리를 생성합니다. |
|
|
|
|
|
#### 3단계: 모델 학습 |
|
|
|
|
|
```bash |
|
|
# 빠른 테스트 (5 에포크) |
|
|
python quick_train.py |
|
|
|
|
|
# 본격 학습 (100 에포크) |
|
|
python train_yolo.py |
|
|
``` |
|
|
|
|
|
#### 4단계: 모델 평가 |
|
|
|
|
|
```bash |
|
|
python evaluate.py waste_classification/yolov8n_5class/weights/best.pt |
|
|
``` |
|
|
|
|
|
이 스크립트는 다음을 생성합니다: |
|
|
- 혼동 행렬 (Confusion Matrix) |
|
|
- 클래스별 성능 분석 그래프 |
|
|
- 상세 분류 리포트 |
|
|
- JSON 결과 파일 |
|
|
|
|
|
#### 5단계: 추론 테스트 |
|
|
|
|
|
```bash |
|
|
python inference.py waste_classification/yolov8n_5class/weights/best.pt data/batch_1/000006.jpg |
|
|
``` |
|
|
|
|
|
### YOLOv8 학습 예시 (5개 클래스) |
|
|
|
|
|
```python |
|
|
from ultralytics import YOLO |
|
|
|
|
|
# 모델 로드 |
|
|
model = YOLO('yolov8n.pt') |
|
|
|
|
|
# 학습 |
|
|
results = model.train( |
|
|
data='labels_5classes/data.yaml', |
|
|
epochs=100, |
|
|
imgsz=640, |
|
|
batch=16, |
|
|
name='waste_classification_5class' |
|
|
) |
|
|
|
|
|
# 추론 |
|
|
results = model.predict('path/to/image.jpg') |
|
|
``` |
|
|
|
|
|
### YOLOv8 학습 예시 (60개 클래스) |
|
|
|
|
|
```python |
|
|
from ultralytics import YOLO |
|
|
|
|
|
model = YOLO('yolov8n.pt') |
|
|
|
|
|
results = model.train( |
|
|
data='labels/data.yaml', |
|
|
epochs=100, |
|
|
imgsz=640, |
|
|
batch=16, |
|
|
name='waste_classification_60class' |
|
|
) |
|
|
``` |
|
|
|
|
|
### 데이터셋 로드 |
|
|
|
|
|
```python |
|
|
from datasets import load_dataset |
|
|
|
|
|
dataset = load_dataset("hyeon2525/Ku-Yolo-DataSet") |
|
|
``` |
|
|
|
|
|
## 데이터 형식 |
|
|
|
|
|
### YOLO 어노테이션 형식 |
|
|
|
|
|
각 이미지에 대응하는 `.txt` 레이블 파일: |
|
|
|
|
|
``` |
|
|
<class_id> <x_center> <y_center> <width> <height> |
|
|
``` |
|
|
|
|
|
- `class_id`: 클래스 ID (0부터 시작) |
|
|
- `x_center, y_center`: 바운딩 박스 중심 좌표 (0~1로 정규화) |
|
|
- `width, height`: 바운딩 박스 크기 (0~1로 정규화) |
|
|
|
|
|
예시: |
|
|
``` |
|
|
3 0.481783 0.384578 0.290826 0.645193 |
|
|
0 0.325678 0.562341 0.145823 0.234567 |
|
|
``` |
|
|
|
|
|
## 원본 데이터 |
|
|
|
|
|
- **출처**: TACO (Trash Annotations in Context) |
|
|
- **라이선스**: MIT |
|
|
- **원본 형식**: COCO |
|
|
- **변환 일자**: 2020-08-13 |
|
|
|
|
|
## 활용 사례 |
|
|
|
|
|
- 쓰레기 자동 분류 시스템 |
|
|
- 재활용품 인식 애플리케이션 |
|
|
- 환경 모니터링 시스템 |
|
|
- 컴퓨터 비전 교육용 데이터셋 |
|
|
|
|
|
## Citation |
|
|
|
|
|
이 데이터셋을 사용하는 경우, 원본 TACO 데이터셋을 인용해주세요: |
|
|
|
|
|
```bibtex |
|
|
@dataset{taco_dataset, |
|
|
title={TACO: Trash Annotations in Context}, |
|
|
author={Pedro F Proença and Pedro Simões}, |
|
|
year={2019} |
|
|
} |
|
|
``` |
|
|
|
|
|
## 라이선스 |
|
|
|
|
|
MIT License |
|
|
|
|
|
## 문의 |
|
|
|
|
|
데이터셋 관련 문의사항은 이슈를 남겨주세요. |
|
|
|
