مجموعة بيانات Roboflow 100#

تُعد Roboflow 100، برعاية Intel، مجموعة بيانات معيارية رائدة لـاكتشاف الكائنات. وتضم 100 مجموعة بيانات متنوعة. وقد صُمم هذا المعيار خصيصًا لاختبار قابلية تكيّف نماذج الرؤية الحاسوبية، مثل نماذج Ultralytics YOLO، مع مجالات متنوعة، تشمل الرعاية الصحية والصور الجوية وألعاب الفيديو.

الميزات الرئيسية#

• مجالات متنوعة: يضم 100 مجموعة بيانات عبر سبعة مجالات متميزة: جوية، وألعاب فيديو، ومجهرية، وتحت الماء، ووثائق، وكهرومغناطيسية، وواقعية.
• الحجم: يتألف المعيار من 224,714 صورة عبر 805 فئات، ويمثل أكثر من 11,170 ساعة من جهود وسم البيانات.
• التوحيد القياسي: عولجت جميع الصور مسبقًا وأُعيد تحجيمها إلى 640x640 بكسل لإجراء تقييم متسق.
• التقييم النظيف: يركز على إزالة الالتباس بين الفئات واستبعاد الفئات قليلة التمثيل لضمان تقييم أكثر نقاءً للنماذج.
• التعليقات التوضيحية: يضم مربعات إحاطة للكائنات، وهو مناسب لـتدريب نماذج اكتشاف الكائنات وتقييمها باستخدام مقاييس مثل mAP.

بنية مجموعة البيانات#

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

• جوية: 7 مجموعات بيانات، و9,683 صورة، و24 فئة.
• ألعاب الفيديو: 7 مجموعات بيانات، و11,579 صورة، و88 فئة.
• مجهرية: 11 مجموعة بيانات، و13,378 صورة، و28 فئة.
• تحت الماء: 5 مجموعات بيانات، و18,003 صورة، و39 فئة.
• وثائق: 8 مجموعات بيانات، و24,813 صورة، و90 فئة.
• كهرومغناطيسية: 12 مجموعة بيانات، و36,381 صورة، و41 فئة.
• العالم الحقيقي: 50 مجموعة بيانات، و110,615 صورة، و495 فئة.

يوفر هذا الهيكل بيئة اختبار متنوعة وواسعة لنماذج اكتشاف الكائنات، ويعكس مجموعة واسعة من سيناريوهات التطبيقات الواقعية الموجودة في حلول Ultralytics المتنوعة.

المقارنة المعيارية#

تتضمن المقارنة المعيارية لمجموعة البيانات تقييم أداء نماذج التعلم الآلي على مجموعات بيانات محددة باستخدام مقاييس موحدة. وتشمل المقاييس الشائعة الدقة، ومتوسط الدقة (mAP)، ودرجة F1. يمكنك معرفة المزيد عن هذه المقاييس في دليل مقاييس أداء YOLO.

import re
from pathlib import Path

from roboflow import Roboflow

from ultralytics import YOLO
from ultralytics.utils import ASSETS_URL, LOGGER, YAML
from ultralytics.utils.downloads import safe_download

# Download the RF100 datasets (requires a Roboflow API key)
rf = Roboflow(api_key="YOUR_ROBOFLOW_API_KEY")
safe_download(f"{ASSETS_URL}/datasets_links.txt")  # list of RF100 dataset links

datasets = []
for line in Path("datasets_links.txt").read_text().splitlines():
    try:
        _, _url, workspace, project, version = re.split("/+", line.strip())
        location = f"rf-100/{project}-{version}"
        rf.workspace(workspace).project(project).version(version).download("yolov8", location=location)
        yaml = Path(location) / "data.yaml"
        cfg = YAML.load(yaml)  # point train/val at the downloaded image folders
        cfg["train"], cfg["val"] = "train/images", "valid/images"
        YAML.save(yaml, cfg)
        datasets.append(str(yaml))
    except Exception as e:
        LOGGER.warning(f"Failed to prepare dataset from {line!r}: {e}")

# Fine-tune one base model across all RF100 datasets and visualize the cross-dataset results
model = YOLO("yolo26n.pt")
results = model.train(data=datasets, epochs=100, imgsz=640)  # {dataset: metrics}

# Per-dataset runs, multitrain_results.json (per-dataset + mean), and multitrain_results.png are saved
# together under runs/detect/multitrain. Read results in-memory or from the JSON for custom post-processing.
for dataset, metrics in results.items():
    if metrics:  # None if that dataset failed to train
        print(f"{dataset}: mAP50-95 = {metrics['metrics/mAP50-95(B)']:.4f}")

التطبيقات#

تُعد Roboflow 100 ذات قيمة كبيرة لمختلف التطبيقات المرتبطة بـالرؤية الحاسوبية والتعلم العميق. ويمكن للباحثين والمهندسين الاستفادة من هذا المعيار من أجل:

• تقييم أداء نماذج اكتشاف الكائنات في سياق متعدد المجالات.
• اختبار قابلية تكيّف النماذج ومتانتها مع السيناريوهات الواقعية، متجاوزين مجموعات البيانات المعيارية الشائعة مثل COCO أو PASCAL VOC.
• إجراء مقارنة معيارية لقدرات نماذج اكتشاف الكائنات عبر مجموعات بيانات متنوعة، بما في ذلك مجالات متخصصة مثل الرعاية الصحية والصور الجوية وألعاب الفيديو.
• مقارنة أداء النماذج عبر بنيات الشبكات العصبية وتقنيات التحسين المختلفة.
• تحديد التحديات الخاصة بالمجال التي قد تتطلب إرشادات متخصصة لتدريب النماذج أو أساليب الضبط الدقيق مثل التعلم بالنقل.

لمزيد من الأفكار والإلهام حول التطبيقات الواقعية، استكشف أدلتنا حول المشاريع العملية أو تفقّد Ultralytics Platform للحصول على تدريب النماذج ونشرها بسهولة.

الاستخدام#

تتوفر مجموعة بيانات Roboflow 100، بما في ذلك البيانات الوصفية وروابط التنزيل، في مستودع Roboflow 100 الرسمي على GitHub. ويمكنك الوصول إلى مجموعة البيانات واستخدامها مباشرة من هناك لتلبية احتياجاتك من المقارنة المعيارية. بعد تنزيل مجموعات البيانات وإعدادها كما هو موضح أعلاه، يمكن ضبط نماذج Ultralytics بدقة عبر المجموعة بأكملها في استدعاء واحد لـ model.train() من خلال تمرير قائمة ملفات YAML الخاصة بمجموعات البيانات.

بيانات العينة والتعليقات التوضيحية#

تتكون Roboflow 100 من مجموعات بيانات تضم صورًا متنوعة ملتقطة من زوايا ومجالات مختلفة. فيما يلي أمثلة على صور مشروحة مدرجة في معيار RF100، تعرض تنوع الكائنات والمشاهد. ويمكن لتقنيات مثل زيادة البيانات تعزيز هذا التنوع أثناء التدريب.

يمثل التنوع المشاهد في معيار Roboflow 100 تقدمًا مهمًا مقارنةً بالمعايير التقليدية التي تركز غالبًا على تحسين مقياس واحد ضمن مجال محدود. ويساعد هذا النهج الشامل على تطوير نماذج رؤية حاسوبية أكثر متانة ومرونة، وقادرة على تحقيق أداء جيد عبر مجموعة كبيرة من السيناريوهات المختلفة.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات Roboflow 100 في أبحاثك أو أعمال التطوير، فيُرجى 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}
}

نعرب عن امتناننا لفريق Roboflow وجميع المساهمين على جهودهم الكبيرة في إنشاء مجموعة بيانات Roboflow 100 والحفاظ عليها كمورد قيّم لمجتمع الرؤية الحاسوبية.

إذا كنت مهتمًا باستكشاف مزيد من مجموعات البيانات لتعزيز مشاريعك في اكتشاف الكائنات والتعلم الآلي، فتفضل بزيارة مجموعتنا الشاملة من مجموعات البيانات، التي تتضمن مجموعة متنوعة من مجموعات بيانات الاكتشاف الأخرى.

الأسئلة الشائعة#