> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/turkish/temel-ozellikler/annotate-data-for-object-detection/dataset-collection.md). # Dataset Collection Yüksek performanslı bir AI modeli oluşturmanın en hızlı yolu, verileri amaçlı olarak **yakalamaktır**. Bu sayfa, AugeLab Studio’nun yerel araçlarını kullanarak yüksek kaliteli görüntü ve videoların nasıl toplanacağını açıklar. {% hint style="info" %} Eğer zaten açıklama (annotation) için hazır bir görüntü/video klasörünüz varsa bu bölümü atlayabilirsiniz. {% endhint %} *** ## Veri Kümenizi Planlama Veri toplama öncesinde veri kümenizi planlamak çok önemlidir. İyi yapılandırılmış bir veri kümesi, daha iyi model performansına yol açar. ### 📊 Ne Kadar Veri Gerekir? Gerekli görüntü sayısı, ortamın ne kadar değiştiğine bağlıdır. Aşağıdaki tablo, toplama hedefiniz için bir başlangıç noktası sağlar. | Proje Türü | Ortam | Sınıf başına önerilen görüntü sayısı\* | | ---------------------- | -------------------------------------------------------- | -------------------------------------- | | **Basit** | Kontrol edilen aydınlatma, sabit kamera, 1-2 sınıf. | **50 - 150** | | **Endüstriyel** | Fabrika zemini, vardiya değişimleri, konveyör bandı. | **200 - 500** | | **Karmaşık** | Değişken aydınlatma, çok sayıda sınıf, hareketli kamera. | **1.000+** | | **Karmaşık Açık Alan** | Hava koşullarının değiştiği dış mekan sahneleri. | **2.000+** | | **Nadir Olay** | Ara sıra oluşan hatalar veya sızıntıların tespiti. | **50 Hedef / 100 Boş** | > \*Sınıf başına görüntü sayısı, sadece toplam görüntü sayısı değil, her bir nesne kategorisinin açıklanmış (annotated) örnek sayısını ifade eder. {% hint style="info" %} En iyi sonuçlar için açı, mesafe ve aydınlatma açısından **çeşitliliğe** odaklanın. {% endhint %} {% hint style="warning" %} Sınıf sayısının veri kümesi boyunca tutarlı olması önemlidir. Eğer değilse, daha sonra sınıfları dengelemek için **augmentation** kullanılabilir. {% endhint %} *** ### 🏗️ Sınırları Belirleyin İlk fotoğrafı çekmeden önce bunları yazın; böylece veri kümeniz hem **Temsil Edici** hem de **Tutarlı** olur. 1. **Sınıf Listesi**: Hangi spesifik nesneleri tespit ediyorsunuz? 2. **Kamera Özellikleri**: Nihai montaj açısı, mesafe ve Görüş Alanı (FoV) nedir? Tek mi yoksa birden fazla kamera mı? 3. **Varyasyonlar**: Aydınlatmada (parlama/gölge) veya arka plan karmaşasında değişimler olacak mı? 4. **Negatifler**: "Boş" sahne nasıl görünüyor? 5. **Kapsam**: Modelin kasıtlı olarak görmezden gelmesi gereken nesneler neler? *** ## Kamera Yapılandırması USB kamera, IP kamera veya endüstriyel kamera kullanıyor olun, toplama öncesinde aşağıdaki ayarların optimize edildiğinden emin olun: * **Çözünürlük**: 480p ila 720p arası hedefleyin (640x480 yaygın bir standarttır). Daha yüksek çözünürlükler daha sonra küçültülebilir. * **Kare Hızı**: Çoğu nesne tespiti görevi için 15-30 FPS yeterlidir. * **Odak**: Toplama sırasında kaymaları önlemek için manuel odak kullanın. * **Pozlama**: Tutarlı aydınlatma için manuel pozlama ayarlarını kullanın. * **Ayarları Kaydet**: Kamera ayar profilinizi kaydedin; çoğu kamera ön ayar kaydetmeye izin verir, böylece oturumlar arasında tutarlılık sağlanır. ## Veri Kümesi Toplama Nesne tespiti veri kümenizi doğrudan AugeLab Studio içinde yerleşik araçlarla görüntü ve video toplayarak oluşturabilirsiniz. Bu, uyumluluk sağlar ve açıklama sürecini kolaylaştırır. > Alternatif olarak, halka açık veri kümelerini indirebilir veya harici kameralar/yazılımlar kullanabilirsiniz; ancak bu ek biçimlendirme adımları gerektirebilir. ### AugeLab Studio İçinden Yakalama Studio ortamını kullanmak, toplamanızı otomatikleştirmek için tetikleyiciler (düğmeler, PLC sinyalleri veya zamanlayıcılar) kullanmanıza olanak verir. ### 1. Örnek Projeden Başlayın AugeLab bu görev için ön yapılandırılmış bir şablonla gelir. * **Path**: `File` → `Example Projects` (veya "Example Scenarios") * **Project**: **"Data Collection for AI Training"** ### 📸 Tek Görüntüler: `Image Write` Bloğu Yüksek kaliteli statik kareler için bunu kullanın. "Aynı sahne, farklı pozisyonlar" durumları için idealdir. | Girdi/Ayar | Açıklama | | ------------------ | ------------------------------------------------------------------------------------------------ | | **Folder Path** | Görüntülerin saklanacağı klasör. | | **Save (Trigger)** | Bir kare yakalamak için `True` olarak ayarlayın. Bunu bir düğme veya zamanlayıcı ile eşleştirin. | | **Compress Image** | **Checked** = `.jpg` (Daha küçük dosya) | ### 🎥 Sürekli Hareket: `Record Video` Bloğu Konveyör bantları veya daha sonra kare çıkarmayı planladığınız hızlı hareketli denetimler için en iyisidir. | Girdi/Ayar | Açıklama | | -------------------------- | -------------------------------------- | | **Video Quality** | **Compressed** = `.mp4` | | **Trigger Mode: Spacebar** | Başlat/Durdur için Space tuşuna basın. | | **Trigger Mode: Once** | `Record=True` kaydı açıp kapatır. | > Kayıtları tek bir devasa dosya yerine kısa, odaklanmış klipler (10–60s) olarak planlayın. Bu, kare çıkarmayı çok daha kolay hale getirir. *** ## 📉 Arka Plan (Negatif) Görüntüleri Toplama Güçlü bir model neyi tespit etmeyeceğini de bilmelidir. Bu nedenle "Boş" sahneleri kasıtlı olarak yakalamalısınız. * **Ne yakalanmalı**: Boş konveyörler, boş iş istasyonları veya sık görülen hedef dışı nesneler (aparatlar, aletler). * **Empty**: Bir açıklama dosyası vardır, ancak içinde kutu (box) yoktur. * **Excluded**: Hiç açıklama dosyası yoktur. *** ## Genel Veri Kümeleri Kendi verilerinizi desteklemeniz gerekirse, şu halka açık veri kümelerini değerlendirin: * [COCO Dataset](https://cocodataset.org/#home): Büyük ölçekli nesne tespiti, segmentasyon ve açıklama veri kümesi. * [Pascal VOC](http://host.robots.ox.ac.uk/pascal/VOC/): Nesne tespiti ve segmentasyon için standart bir veri kümesi. * [Open Images Dataset](https://storage.googleapis.com/openimages/web/index.html): Görüntü düzeyinde etiketler ve sınırlayıcı kutularla yaklaşık 9 milyon görüntü içeren bir küme. * [ImageNet](http://www.image-net.org/): Görsel nesne tanıma araştırmaları için tasarlanmış büyük bir görsel veritabanı. * [Kaggle Datasets](https://www.kaggle.com/datasets): Nesne tespiti dahil olmak üzere çeşitli makine öğrenimi veri kümeleri. ## 📂 Klasör Yapısı ve Hazırlık AugeLab Studio veri kümelerini klasör bazında yükler. Yapınız şu şekilde olmalıdır: ``` my_dataset/ ├── 000001.jpg ├── 000002.jpg ├── background_01.png └── classes.names <-- (İsteğe bağlı, annotation sırasında oluşturulacak) ``` *** ## 🏁 Yakalama Kontrol Listesi | Kontrol | Gereksinim | | -------------- | ---------------------------------------------------------------------------------- | | **Kalite** | Kenarların kaybolduğu yoğun hareket bulanıklığından veya aşırı pozlamadan kaçının. | | **Kapsama** | Nesneleri çerçevenin merkezinde, köşelerinde ve kenarlarında yakalayın. | | **Ölçek** | Kameradan nesneye gerçek dünyadaki mesafeyi eşleştirin. | | **Karmaşa** | Kameranın gerçek hayatta göreceği dağınık arka planları dahil edin. | | **Çözünürlük** | Çoğu AI modeli için 480p ila 720p (ortalama 640x480) en iyi sonuç verir. |