مجموعة بيانات COCO8-Grayscale
مقدمة
ال Ultralytics مجموعة بيانات COCO8 هي مجموعة بيانات مدمجة وقوية في الوقت نفسه للكشف عن الأجسام، وتتألف من أول 8 صور من مجموعة بيانات COCO التدريبية لعام 2017 وتحويلها إلى تنسيق التدرج الرمادي - 4 للتدريب و4 للتحقق من الصحة. صُممت مجموعة البيانات هذه خصيصًا للاختبار السريع، وتصحيح الأخطاء، وإجراء التجارب مع YOLO ونماذج التدرج الرمادي وخطوط أنابيب التدريب. صغر حجمها يجعلها قابلة للإدارة بشكل كبير، بينما يضمن تنوعها أن تكون بمثابة فحص فعال للتحقق من صحة البيانات قبل التوسع إلى مجموعات بيانات أكبر.
شاهد: كيفية تدريب Ultralytics YOLO11 على مجموعات بيانات ذات تدرج رمادي 🚀
تتوافق COCO8-Grayscale تمامًا مع Ultralytics HUB و YOLO11، مما يتيح التكامل السلس في مهام سير عمل رؤية الكمبيوتر الخاصة بك.
ملف YAML لمجموعة البيانات
تم تحديد تكوين مجموعة بيانات COCO8-Grayscale في ملف YAML (لغة ترميز أخرى)، والذي يحدد مسارات مجموعة البيانات وأسماء الفئات وبيانات التعريف الأساسية الأخرى. يمكنك مراجعة coco8-grayscale.yaml الملف في مستودع Ultralytics GitHub.
ملاحظة
لتدريب صور RGB الخاصة بك بتدرج الرمادي، يمكنك ببساطة إضافة channels: 1 إلى ملف YAML لمجموعة البيانات الخاصة بك. هذا يحول جميع الصور إلى تدرج الرمادي أثناء التدريب، مما يتيح لك الاستفادة من مزايا تدرج الرمادي دون الحاجة إلى مجموعة بيانات منفصلة.
ultralytics/cfg/datasets/coco8-grayscale.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-grayscale ← downloads here (1 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: coco8-grayscale # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)
channels: 1
# 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/coco8-grayscale.zip
الاستخدام
لتدريب نموذج YOLO11n على مجموعة بيانات COCO8-Grayscale لعدد 100 حقبة (epoch) بحجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع وثائق تدريب YOLO.
مثال على التدريب
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
عينات من الصور والشروحات التوضيحية
فيما يلي مثال على دفعة تدريب مُجمَّعة من مجموعة بيانات COCO8-Grayscale:
- صورة الفسيفساء: توضح هذه الصورة دفعة تدريبية يتم فيها دمج صور متعددة من مجموعة البيانات باستخدام زيادة الفسيفساء. تزيد زيادة الفسيفساء من تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل لأحجام الكائنات ونسب العرض إلى الارتفاع والخلفيات المختلفة.
تعتبر هذه التقنية مفيدة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8-Grayscale، لأنها تزيد من قيمة كل صورة أثناء التدريب.
الاقتباسات والإقرارات
إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، فيرجى 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}
}
شكر خاص لـ COCO Consortium لمساهماتهم المستمرة في مجتمع رؤية الكمبيوتر.
الأسئلة الشائعة
فيما تستخدم مجموعة بيانات Ultralytics COCO8-Grayscale؟
تم تصميم مجموعة بيانات Ultralytics COCO8-Grayscale للاختبار السريع وتصحيح نماذج الكشف عن الكائنات. مع 8 صور فقط (4 للتدريب، 4 للتحقق)، فهي مثالية للتحقق من خطوط أنابيب تدريب YOLO الخاصة بك والتأكد من أن كل شيء يعمل على النحو المتوقع قبل التوسع إلى مجموعات بيانات أكبر. استكشف تكوين COCO8-Grayscale YAML لمزيد من التفاصيل.
كيف يمكنني تدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO8 ذات التدرج الرمادي؟
يمكنك تدريب نموذج YOLO11 على COCO8-Grayscale باستخدام Python أو CLI:
مثال على التدريب
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
لخيارات تدريب إضافية، ارجع إلى وثائق تدريب YOLO.
لماذا يجب علي استخدام Ultralytics HUB لإدارة تدريب COCO8-Grayscale الخاص بي؟
Ultralytics HUB يبسط إدارة البيانات وتدريب ونشر نماذج YOLO - بما في ذلك COCO8-Grayscale. بفضل ميزات مثل التدريب السحابي والمراقبة في الوقت الفعلي ومعالجة البيانات البديهية، يتيح لك HUB إطلاق التجارب بنقرة واحدة والتخلص من متاعب الإعداد اليدوي. تعرف على المزيد حول Ultralytics HUB وكيف يمكنه تسريع مشاريع الرؤية الحاسوبية الخاصة بك.
ما هي فوائد استخدام زيادة الفسيفساء في التدريب مع مجموعة بيانات COCO8-Grayscale؟
تقوم عملية زيادة البيانات بتقنية الفسيفساء، المستخدمة في تدريب COCO8-Grayscale، بدمج صور متعددة في صورة واحدة خلال كل دفعة. هذا يزيد من تنوع الكائنات والخلفيات، مما يساعد نموذج YOLO الخاص بك على التعميم بشكل أفضل على السيناريوهات الجديدة. تعتبر زيادة البيانات بتقنية الفسيفساء ذات قيمة خاصة لمجموعات البيانات الصغيرة، لأنها تزيد من المعلومات المتاحة في كل خطوة تدريب. لمزيد من المعلومات حول هذا، راجع دليل التدريب.
كيف يمكنني التحقق من صحة نموذج YOLO11 الذي تم تدريبه على مجموعة بيانات COCO8-Grayscale؟
للتحقق من صحة نموذج YOLO11 الخاص بك بعد التدريب على COCO8-Grayscale، استخدم أوامر التحقق الخاصة بالنموذج في Python أو CLI. يقوم هذا بتقييم أداء النموذج الخاص بك باستخدام المقاييس القياسية. للحصول على إرشادات خطوة بخطوة، قم بزيارة وثائق التحقق من YOLO.
