تخطي إلى المحتوى

مجموعة بيانات COCO128

مقدمة

Ultralytics COCO128 عبارة عن مجموعة بيانات صغيرة ولكنها متعددة الاستخدامات للكشف عن الأجسام، وتتكون من أول 128 صورة من مجموعة بيانات COCO Train 2017. تُعد مجموعة البيانات هذه مثالية لاختبار نماذج اكتشاف الأجسام وتصحيحها، أو لتجربة أساليب اكتشاف جديدة. مع وجود 128 صورة، فهي صغيرة بما يكفي لسهولة إدارتها، لكنها متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثًا عن الأخطاء والعمل بمثابة فحص للعقل قبل تدريب مجموعات بيانات أكبر.



شاهد: Ultralytics نظرة عامة على مجموعة بيانات COCO

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics HUB و. YOLO11.

مجموعة البيانات YAML

يُستخدم ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها والمعلومات الأخرى ذات الصلة. في حالة مجموعة بيانات COCO128، فإن ملف coco128.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralytics.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128  ← downloads here (7 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip

الاستخدام

لتدريب نموذج YOLO11n على مجموعة بيانات COCO128 لـ 100 حلقة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

مثال على القطار

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

عينة من الصور والتعليقات التوضيحية

فيما يلي بعض الأمثلة على صور من مجموعة بيانات COCO128، إلى جانب التعليقات التوضيحية المقابلة لها:

صورة عينة مجموعة البيانات

  • صورة فسيفساء: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات موزاييك. الفسيفساء هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد داخل كل دفعة تدريب. يساعد ذلك في تحسين قدرة النموذج على التعميم على أحجام الأجسام المختلفة ونسب أبعادها وسياقاتها.

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات COCO128 وفوائد استخدام الفسيفساء أثناء عملية التدريب.

الاستشهادات والشكر والتقدير

إذا كنت تستخدم مجموعة بيانات COCO في عملك البحثي أو التطويري، يرجى الاستشهاد بالورقة التالية:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

نودّ أن نعرب عن تقديرنا لاتحاد COCO Consortium على إنشاء هذا المورد القيّم لمجتمع الرؤية الحاسوبية والحفاظ عليه. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، يرجى زيارة الموقع الإلكتروني لمجموعة بيانات COCO.

الأسئلة الشائعة

ما هو استخدام مجموعة بيانات Ultralytics COCO128؟

مجموعة بيانات Ultralytics COCO128 هي مجموعة فرعية مدمجة تحتوي على أول 128 صورة من مجموعة بيانات COCO Train 2017. وهي تُستخدم في المقام الأول لاختبار نماذج اكتشاف الأجسام وتصحيحها، وتجربة أساليب اكتشاف جديدة، والتحقق من صحة خطوط أنابيب التدريب قبل التوسع إلى مجموعات بيانات أكبر. حجمها القابل للإدارة يجعلها مثالية للتكرار السريع مع توفير تنوع كافٍ لتكون حالة اختبار ذات مغزى.

كيف يمكنني تدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO128؟

لتدريب نموذج YOLO11 على مجموعة بيانات COCO128، يمكنك استخدام أوامر Python أو CLI . إليك الطريقة:

مثال على القطار

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

لمزيد من خيارات ومعايير التدريب، راجع وثائق التدريب.

ما هي فوائد استخدام تكبير الفسيفساء مع COCO128؟

يدمج التكبير الفسيفسائي، كما هو موضح في الصور النموذجية، صورًا تدريبية متعددة في صورة مركبة واحدة. تقدم هذه التقنية العديد من الفوائد عند التدريب باستخدام COCO128:

  • زيادة تنوع العناصر والسياقات داخل كل دفعة تدريبية
  • يحسن تعميم النموذج عبر أحجام الأجسام المختلفة ونسب الأبعاد المختلفة
  • تحسين أداء الكشف عن الأجسام بمقاييس مختلفة
  • تعظيم الفائدة من مجموعة بيانات صغيرة من خلال إنشاء عينات تدريب أكثر تنوعًا

تُعد هذه التقنية ذات قيمة خاصة لمجموعات البيانات الأصغر مثل COCO128، مما يساعد النماذج على تعلم ميزات أكثر قوة من البيانات المحدودة.

كيف يمكن مقارنة COCO128 بمتغيرات مجموعة بيانات COCO الأخرى؟

يقع COCO128 (128 صورة) بين COCO8 (8 صور) ومجموعة بيانات COCO الكاملة (أكثر من 118 ألف صورة) من حيث الحجم:

  • COCO8: يحتوي على 8 صور فقط (4 للقطار و4 للصمامات) - مثالي للاختبارات السريعة وتصحيح الأخطاء
  • COCO128: يحتوي على 128 صورة - متوازنة بين الحجم والتنوع
  • COCO كاملة: تحتوي على أكثر من 118 ألف صورة تدريبية - شاملة ولكنها كثيفة الموارد

يوفر COCO128 حلًا وسطًا جيدًا، حيث يوفر تنوعًا أكبر من COCO8 بينما يظل أكثر قابلية للإدارة من مجموعة بيانات COCO الكاملة للتجربة والتطوير الأولي للنموذج.

هل يمكنني استخدام COCO128 لمهام أخرى غير اكتشاف الأجسام؟

على الرغم من أن COCO128 مصمم بشكل أساسي لاكتشاف الأجسام، إلا أنه يمكن تكييف شروح مجموعة البيانات مع مهام الرؤية الحاسوبية الأخرى:

  • تجزئة المثيل: استخدام أقنعة التجزئة المتوفرة في التعليقات التوضيحية
  • اكتشاف النقاط الرئيسية: بالنسبة للصور التي تحتوي على أشخاص مع تعليقات توضيحية للنقاط الرئيسية
  • نقل التعلّم: كنقطة انطلاق لصقل النماذج للمهام المخصصة

بالنسبة للمهام المتخصصة مثل التجزئة، ضع في اعتبارك استخدام المتغيرات المصممة لهذا الغرض مثل COCO8-seg التي تتضمن التعليقات التوضيحية المناسبة.

📅 تم الإنشاء منذ 1 شهر ✏️ تم التحديث منذ 1 شهر

التعليقات