مجموعة بيانات COCO8

مقدمة

Ultralytics COCO8 عبارة عن مجموعة بيانات صغيرة ولكنها متعددة الاستخدامات للكشف عن الكائنات تتكون من أول 8 صور لمجموعة COCO train 2017 ، 4 للتدريب و 4 للتحقق من الصحة. تعد مجموعة البيانات هذه مثالية لاختبار نماذج اكتشاف الكائنات وتصحيحها، أو لتجربة أساليب الكشف الجديدة. مع 8 صور ، فهي صغيرة بما يكفي لسهولة إدارتها ، ولكنها متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثا عن الأخطاء والعمل كفحص سلامة قبل تدريب مجموعات البيانات الأكبر.

شاهد: Ultralytics نظرة عامة على مجموعة بيانات COCO

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics المحور و YOLOv8.

مجموعة البيانات YAML

يتم استخدام ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات والفئات والمعلومات الأخرى ذات الصلة. في حالة مجموعة بيانات COCO8 ، فإن coco8.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8  ← 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: ../datasets/coco8 # 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)

# 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.zip

استخدام

لتدريب أ YOLOv8n على مجموعة بيانات COCO8 ل 100 حقبة بحجم صورة 640 ، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة نموذج التدريب .

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

عينة من الصور والتعليقات التوضيحية

فيما يلي بعض الأمثلة على الصور من مجموعة بيانات COCO8 ، جنبا إلى جنب مع التعليقات التوضيحية المقابلة لها:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات فسيفسائية. الفسيفساء هي تقنية تستخدم أثناء التدريب تجمع بين صور متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام الكائنات المختلفة ونسب العرض إلى الارتفاع والسياقات.

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات COCO8 وفوائد استخدام الفسيفساء أثناء عملية التدريب.

الاستشهادات والشكر

إذا كنت تستخدم مجموعة بيانات COCO في أعمال البحث أو التطوير الخاصة بك ، 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}
}

نود أن نعرب عن تقديرنا لاتحاد COCO لإنشاء وصيانة هذا المورد القيم لمجتمع رؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، تفضل بزيارة موقع ويب مجموعة بيانات COCO.

الأسئلة المتداولة

فيمَ تُستخدم مجموعة بيانات Ultralytics COCO8؟

مجموعة بيانات Ultralytics COCO8 عبارة عن مجموعة بيانات مدمجة ومتعددة الاستخدامات للكشف عن الأجسام، وتتكون من أول 8 صور من مجموعة بيانات COCO التدريبية لعام 2017، مع 4 صور للتدريب و4 للتحقق من صحة الصور. وهي مصممة لاختبار نماذج الكشف عن الأجسام وتصحيحها وتجربة مناهج الكشف الجديدة. على الرغم من صغر حجمها، توفر COCO8 تنوعًا كافيًا لتعمل بمثابة فحص سلامة خطوط أنابيب التدريب قبل نشر مجموعات بيانات أكبر. لمزيد من التفاصيل، اطلع على مجموعة بيانات COCO8.

كيف يمكنني تدريب نموذج YOLOv8 باستخدام مجموعة بيانات COCO8؟

لتدريب نموذج YOLOv8 باستخدام مجموعة بيانات COCO8، يمكنك استخدام الأوامر Python أو CLI . إليك كيف يمكنك البدء:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب النموذجي.

لماذا يجب أن أستخدم Ultralytics HUB لإدارة تدريب COCO8 الخاص بي؟

Ultralytics HUB هي أداة ويب شاملة مصممة لتبسيط تدريب ونشر نماذج YOLO ، بما في ذلك نماذج Ultralytics YOLOv8 على مجموعة بيانات COCO8. وهي توفر التدريب السحابي، والتتبع في الوقت الحقيقي، وإدارة مجموعة البيانات بسلاسة. تتيح لك HUB بدء التدريب بنقرة واحدة وتجنب تعقيدات الإعدادات اليدوية. اكتشف المزيد حول Ultralytics HUB وفوائده.

ما هي فوائد استخدام زيادة الفسيفساء في التدريب باستخدام مجموعة بيانات COCO8؟

تدمج زيادة الفسيفساء، التي تم عرضها في مجموعة بيانات COCO8، صورًا متعددة في صورة واحدة أثناء التدريب. تزيد هذه التقنية من تنوع الأجسام والمشاهد في كل دفعة تدريب، مما يحسن قدرة النموذج على التعميم عبر أحجام الأجسام المختلفة ونسب أبعادها وسياقاتها. ينتج عن ذلك نموذج أكثر قوة للكشف عن الأجسام. لمزيد من التفاصيل، راجع دليل التدريب.

كيف يمكنني التحقق من صحة نموذجي YOLOv8 الذي تم تدريبه على مجموعة بيانات COCO8؟

يمكن إجراء التحقق من صحة نموذجك YOLOv8 المدرب على مجموعة بيانات COCO8 باستخدام أوامر التحقق من صحة النموذج. يمكنك استدعاء وضع التحقق من الصحة عبر البرنامج النصي CLI أو Python لتقييم أداء النموذج باستخدام مقاييس دقيقة. للحصول على تعليمات مفصلة، قم بزيارة صفحة التحقق من الصحة.

التعليقات