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
عينة من الصور والتعليقات التوضيحية
فيما يلي بعض الأمثلة على صور من مجموعة بيانات COCO128، إلى جانب التعليقات التوضيحية المقابلة لها:
- 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
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.