Link to this sectionمجموعة بيانات Roboflow 100#

تعد Roboflow 100، برعاية Intel، مجموعة بيانات مرجعية رائدة لـ اكتشاف الكائنات. وهي تتضمن 100 مجموعة بيانات متنوعة. صُممت هذه المجموعة المرجعية خصيصاً لاختبار قدرة نماذج الرؤية الحاسوبية، مثل نماذج Ultralytics YOLO، على التكيف مع مختلف المجالات، بما في ذلك الرعاية الصحية، والصور الجوية، وألعاب الفيديو.

Link to this sectionالمميزات الرئيسية#

• مجالات متنوعة: تتضمن 100 مجموعة بيانات عبر سبعة مجالات متميزة: جوي، ألعاب فيديو، مجهري، تحت الماء، وثائق، كهرومغناطيسي، والعالم الحقيقي.
• النطاق: تتألف المجموعة المرجعية من 224,714 صورة موزعة على 805 فئة، وتمثل أكثر من 11,170 ساعة من جهود تصنيف البيانات.
• التوحيد القياسي: يتم معالجة جميع الصور مسبقاً وتغيير حجمها إلى 640x640 بكسل لضمان تقييم متسق.
• تقييم دقيق: يركز على القضاء على غموض الفئات وتصفية الفئات غير الممثلة بشكل كافٍ لضمان تقييم نموذج أكثر دقة.
• الشروح: تتضمن صناديق التحديد للكائنات، وهي مناسبة لـ تدريب وتقييم نماذج اكتشاف الكائنات باستخدام مقاييس مثل mAP.

Link to this sectionهيكل مجموعة البيانات#

تم تنظيم مجموعة بيانات Roboflow 100 في سبع فئات، تحتوي كل منها على مجموعة فريدة من مجموعات البيانات والصور والفئات:

• جوي: 7 مجموعات بيانات، 9,683 صورة، 24 فئة.
• ألعاب الفيديو: 7 مجموعات بيانات، 11,579 صورة، 88 فئة.
• مجهري: 11 مجموعة بيانات، 13,378 صورة، 28 فئة.
• تحت الماء: 5 مجموعات بيانات، 18,003 صورة، 39 فئة.
• وثائق: 8 مجموعات بيانات، 24,813 صورة، 90 فئة.
• كهرومغناطيسي: 12 مجموعة بيانات، 36,381 صورة، 41 فئة.
• العالم الحقيقي: 50 مجموعة بيانات، 110,615 صورة، 495 فئة.

يوفر هذا الهيكل أرضية اختبار متنوعة وشاملة لنماذج اكتشاف الكائنات، مما يعكس مجموعة واسعة من سيناريوهات التطبيقات الواقعية الموجودة في مختلف حلول Ultralytics.

Link to this sectionالقياس المرجعي#

Dataset benchmarking involves evaluating the performance of machine learning models on specific datasets using standardized metrics. Common metrics include accuracy, mean Average Precision (mAP), and F1-score. You can learn more about these in our YOLO Performance Metrics guide.

import os
import shutil
from pathlib import Path

from ultralytics.utils.benchmarks import RF100Benchmark

# Initialize RF100Benchmark and set API key
benchmark = RF100Benchmark()
benchmark.set_key(api_key="YOUR_ROBOFLOW_API_KEY")

# Parse dataset and define file paths
names, cfg_yamls = benchmark.parse_dataset()
val_log_file = Path("ultralytics-benchmarks") / "validation.txt"
eval_log_file = Path("ultralytics-benchmarks") / "evaluation.txt"

# Run benchmarks on each dataset in RF100
for ind, path in enumerate(cfg_yamls):
    path = Path(path)
    if path.exists():
        # Fix YAML file and run training
        benchmark.fix_yaml(str(path))
        os.system(f"yolo detect train data={path} model=yolo26s.pt epochs=1 batch=16")

        # Run validation and evaluate
        os.system(f"yolo detect val data={path} model=runs/detect/train/weights/best.pt > {val_log_file} 2>&1")
        benchmark.evaluate(str(path), str(val_log_file), str(eval_log_file), ind)

        # Remove the 'runs' directory
        runs_dir = Path.cwd() / "runs"
        shutil.rmtree(runs_dir)
    else:
        print("YAML file path does not exist")
        continue

print("RF100 Benchmarking completed!")

Link to this sectionالتطبيقات#

تعد Roboflow 100 لا تقدر بثمن لمختلف التطبيقات المتعلقة بـ الرؤية الحاسوبية و التعلم العميق. يمكن للباحثين والمهندسين الاستفادة من هذه المجموعة المرجعية من أجل:

• تقييم أداء نماذج اكتشاف الكائنات في سياق متعدد المجالات.
• اختبار قدرة النماذج على التكيف و المتانة تجاه سيناريوهات العالم الحقيقي بعيداً عن مجموعات البيانات المرجعية الشائعة مثل COCO أو PASCAL VOC.
• قياس قدرات نماذج اكتشاف الكائنات عبر مجموعات بيانات متنوعة، بما في ذلك مجالات متخصصة مثل الرعاية الصحية، والصور الجوية، وألعاب الفيديو.
• مقارنة أداء النماذج عبر بنى الشبكات العصبية المختلفة وتقنيات التحسين.
• Identify domain-specific challenges that may require specialized model training tips or fine-tuning approaches like transfer learning.

For more ideas and inspiration on real-world applications, explore our guides on practical projects or check out Ultralytics Platform for streamlined model training and deployment.

Link to this sectionالاستخدام#

تتوفر مجموعة بيانات Roboflow 100، بما في ذلك البيانات الوصفية وروابط التنزيل، على مستودع Roboflow 100 الرسمي على GitHub. يمكنك الوصول إلى مجموعة البيانات واستخدامها مباشرة من هناك لتلبية احتياجات القياس المرجعي الخاصة بك. تعمل أداة RF100Benchmark من Ultralytics على تبسيط عملية تنزيل وإعداد مجموعات البيانات هذه للاستخدام مع نماذج Ultralytics.

Link to this sectionبيانات العينة والشروح#

تتكون Roboflow 100 من مجموعات بيانات ذات صور متنوعة ملتقطة من زوايا ومجالات مختلفة. فيما يلي أمثلة للصور المشروحة المضمنة في مقياس RF100، والتي تعرض تنوع الكائنات والمشاهد. يمكن لتقنيات مثل زيادة البيانات تعزيز التنوع أثناء التدريب.

يمثل التنوع الذي يشهده مقياس Roboflow 100 تقدماً كبيراً عن المقاييس التقليدية، والتي غالباً ما تركز على تحسين مقياس واحد ضمن مجال محدود. يساعد هذا النهج الشامل في تطوير نماذج رؤية حاسوبية أكثر متانة وتنوعاً وقادرة على الأداء الجيد عبر العديد من السيناريوهات المختلفة.

Link to this sectionالاقتباسات والتقديرات#

إذا كنت تستخدم مجموعة بيانات Roboflow 100 في عملك البحثي أو التطويري، يرجى الاستشهاد بالورقة البحثية الأصلية:

@misc{rf100benchmark,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

نقدم خالص امتناننا لفريق Roboflow وجميع المساهمين على جهودهم الكبيرة في إنشاء وصيانة مجموعة بيانات Roboflow 100 كمورد قيم لمجتمع الرؤية الحاسوبية.

إذا كنت مهتماً باستكشاف المزيد من مجموعات البيانات لتعزيز مشاريع اكتشاف الكائنات وتعلم الآلة الخاصة بك، فلا تتردد في زيارة مجموعتنا الشاملة لمجموعات البيانات، والتي تتضمن مجموعة متنوعة من مجموعات بيانات الاكتشاف الأخرى.

Link to this sectionأسئلة شائعة#

Link to this sectionما هي مجموعة بيانات Roboflow 100، ولماذا هي مهمة لاكتشاف الكائنات؟#

تعد مجموعة بيانات Roboflow 100 مقياساً لنماذج اكتشاف الكائنات. وهي تضم 100 مجموعة بيانات متنوعة تغطي مجالات مثل الرعاية الصحية، والصور الجوية، وألعاب الفيديو. تكمن أهميتها في توفير طريقة موحدة لاختبار قدرة النماذج على التكيف والمتانة عبر مجموعة واسعة من سيناريوهات العالم الحقيقي، متجاوزة بذلك المقاييس التقليدية التي غالباً ما تكون محدودة المجال.

Link to this sectionما هي المجالات التي تغطيها مجموعة بيانات Roboflow 100؟#

تغطي مجموعة بيانات Roboflow 100 سبعة مجالات متنوعة، مما يوفر تحديات فريدة لنماذج اكتشاف الكائنات:

1. جوي: 7 مجموعات بيانات (مثل صور الأقمار الصناعية، مناظر الطائرات بدون طيار).
2. ألعاب الفيديو: 7 مجموعات بيانات (مثل كائنات من بيئات ألعاب متنوعة).
3. مجهري: 11 مجموعة بيانات (مثل الخلايا، الجسيمات).
4. تحت الماء: 5 مجموعات بيانات (مثل الحياة البحرية، الكائنات المغمورة).
5. وثائق: 8 مجموعات بيانات (مثل مناطق النصوص، عناصر النماذج).
6. كهرومغناطيسي: 12 مجموعة بيانات (مثل توقيعات الرادار، تصورات البيانات الطيفية).
7. العالم الحقيقي: 50 مجموعة بيانات (فئة واسعة تشمل الكائنات اليومية، والمشاهد، والتجزئة، إلخ).

يجعل هذا التنوع من RF100 مورداً ممتازاً لتقييم القابلية للتعميم لنماذج الرؤية الحاسوبية.

Link to this sectionما الذي يجب أن أدرجه عند الاستشهاد بمجموعة بيانات Roboflow 100 في بحثي؟#

عند استخدام مجموعة بيانات Roboflow 100، يرجى الاستشهاد بالورقة البحثية الأصلية لمنح الفضل لمنشئيها. إليك اقتباس BibTeX الموصى به:

@misc{rf100benchmark,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Year = {2022},
    Eprint = {arXiv:2211.13523},
    url = {https://arxiv.org/abs/2211.13523}
}

لمزيد من الاستكشاف، فكر في زيارة مجموعتنا الشاملة لمجموعات البيانات أو تصفح مجموعات بيانات الاكتشاف الأخرى المتوافقة مع نماذج Ultralytics.