Link to this sectionمجموعة بيانات COCO-Pose#

تكيّف مجموعة بيانات COCO-Pose مجموعة COCO (الكائنات الشائعة في السياق) لغرض تقدير الوضعية: 58,945 صورة من COCO Keypoints 2017، تم توضيحها بـ 156,165 شخصاً باستخدام مخطط مكون من 17 نقطة مفصلية. تُعد هذه المجموعة المعيارية لتدريب وقياس أداء نماذج النقاط المفصلية مثل Ultralytics YOLO26، وتكرر مجموعة COCO8-Pose الفرعية المكونة من 8 صور تنسيقها لإجراء فحوصات السلامة السريعة.

Link to this sectionنماذج COCO-Pose المدربة مسبقًا#

Link to this sectionالميزات الرئيسية#

• تستند COCO-Pose إلى تحدي COCO Keypoints 2017، الذي يقوم بتصنيف 1,710,498 نقطة مفصلية فردية عبر 156,165 شخصاً موضحاً.
• يستخدم كل توضيح لشخص 17 نوعاً من النقاط المفصلية - الأنف، العينان، الأذنان، الكتفان، المرفقان، الرسغان، الوركان، الركبتان، والكاحلان - مخزنة كـ ثلاثيات (x, y, visibility).
• مثل COCO، توفر مقاييس تقييم موحدة، بما في ذلك تشابه النقاط الرئيسية للكائنات (OKS) لمهام تقدير الوضعية، مما يجعلها مناسبة لمقارنة أداء النماذج.
• حجم التنزيل: ~20.2 جيجابايت عند الاستخدام الأول (train2017.zip + val2017.zip + التسميات). لا يتم جلب ملف test2017.zip الذي يبلغ حجمه 7 جيجابايت تلقائيًا، نظرًا لأن تلك الصور تحتوي على بيانات حقيقية محجوبة ولا تُلزم إلا لتقديم test-dev2017 submission.

Link to this sectionهيكل مجموعة البيانات#

لأغراض التدريب والتحقق من الصحة، تشتمل COCO-Pose فقط على صور COCO 2017 التي تحتوي على أشخاص محددين بنقاط مفصلية، لذا فإن تقسيماتها المصنفة أصغر من مجموعة COCO الكاملة. يحدد ملف YAML الخاص بها ثلاث مجموعات فرعية:

1. Train2017: تحتوي هذه المجموعة الفرعية على 56,599 صورة من مجموعة بيانات COCO، وموضحة لتدريب نماذج تقدير الوضعية.
2. Val2017: تحتوي هذه المجموعة الفرعية على 2,346 صورة تُستخدم لأغراض التحقق من الصحة أثناء تدريب النموذج.
3. Test-dev2017: مجموعة فرعية مكونة من 20,288 صورة من مجموعة test2017 الكاملة المكونة من 40,670 صورة مع حجب الحقيقة الأرضية (ground truth). يربط ملف YAML الخاص بمجموعة البيانات هذا التقسيم بـ خادم تقييم النقاط المفصلية COCO test-dev.

يعد التدريب على هذا النطاق هو المكان الذي يساعد فيه Ultralytics Platform أكثر - فهو يدير الحوسبة بحيث يمكنك إطلاق ومراقبة عمليات التشغيل دون الحاجة إلى توفير وحدات GPU الخاصة بك.

Link to this sectionالتطبيقات#

تُستخدم مجموعة بيانات COCO-Pose خصيصاً لتدريب وتقييم نماذج التعلم العميق في اكتشاف النقاط المفصلية وتقدير الوضعية. العدد الكبير من الصور الموضحة ومقاييس التقييم الموحدة في مجموعة البيانات يجعلها مورداً أساسياً لباحثي وممارسي الرؤية الحاسوبية الذين يعملون على وضعية جسم الإنسان.

Link to this sectionYAML مجموعة البيانات#

يتم استخدام ملف YAML لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات COCO-Pose، يتم الاحتفاظ بملف coco-pose.yaml في الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 Keypoints dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/pose/coco
# Example usage: yolo train data=coco-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco-pose ← downloads here (20.2 GB)

# 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: coco-pose # dataset root dir
train: train2017.txt # train images (relative to 'path') 56599 images
val: val2017.txt # val images (relative to 'path') 2346 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://codalab.lisn.upsaclay.fr/competitions/7403

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  dir = Path(yaml["path"])  # dataset root dir

  urls = [f"{ASSETS_URL}/coco2017labels-pose.zip"]
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the CodaLab test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات COCO-Pose لمدة 100 حقبة بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

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

Link to this sectionصور وشروحات توضيحية عينة#

تحتوي مجموعة بيانات COCO-Pose على مجموعة متنوعة من الصور مع شخصيات بشرية موسومة بنقاط رئيسية. إليك بعض الأمثلة على الصور من مجموعة البيانات، جنبًا إلى جنب مع التعليقات التوضيحية المقابلة لها:

• صورة مجمعة (Mosaiced Image): توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات مجمعة. الفسيفساء (Mosaicing) هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات COCO-Pose وفوائد استخدام الموزاييك أثناء عملية التدريب.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO-Pose في بحثك أو عملك التطويري، 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 نشكر اتحاد COCO لإنشاء والحفاظ على هذا المورد القيم لمجتمع رؤية الحاسوب. لمزيد من المعلومات حول مجموعة بيانات COCO-Pose ومبتكريها، تفضل بزيارة موقع مجموعة بيانات COCO.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات COCO-Pose وكيف يتم استخدامها مع Ultralytics YOLO لتقدير الوضعية؟#

توفر COCO-Pose صور وتوضيحات COCO Keypoints 2017 محولة إلى تنسيق النقاط المفصلية الخاص بـ YOLO، باستخدام مخطط من 17 نقطة مفصلية عبر 58,945 صورة. وجه أي نموذج وضعية Ultralytics YOLO إليها باستخدام data=coco-pose.yaml، وتوثق صفحة التدريب كل وسيط يمكنك ضبطه من هناك.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 على مجموعة بيانات COCO-Pose؟#

قم بتحميل yolo26n-pose.pt واستدعِ model.train(data="coco-pose.yaml", epochs=100, imgsz=640) - راجع مثال التدريب أعلاه للحصول على مقتطفات Python و CLI الكاملة، وصفحة التدريب للحصول على قائمة شاملة بالوسائط.

Link to this sectionما هي المقاييس المختلفة التي توفرها مجموعة بيانات COCO-Pose لتقييم أداء النموذج؟#

توفر مجموعة بيانات COCO-Pose العديد من مقاييس التقييم الموحدة لمهام تقدير الوضعية، على غرار مجموعة بيانات COCO الأصلية. تشمل المقاييس الرئيسية تشابه النقاط الرئيسية للكائنات (OKS)، الذي يقيم الدقة للنقاط الرئيسية المتوقعة مقابل تعليقات الحقيقة الأرضية. تسمح هذه المقاييس بإجراء مقارنات أداء شاملة بين نماذج مختلفة. على سبيل المثال، النماذج المدربة مسبقًا لـ COCO-Pose مثل YOLO26n-pose وYOLO26s-pose وغيرها لديها مقاييس أداء محددة مدرجة في الوثائق، مثل mAP^pose50-95 و mAP^pose50.

Link to this sectionكيف يتم تنظيم وتقسيم مجموعة بيانات COCO-Pose؟#

توفر COCO-Pose تقسيمين مصنفين: 56,599 صورة train2017 و2,346 صورة val2017. تقسيم ثالث، test-dev2017 (20,288 من إجمالي 40,670 صورة test2017)، يبقي حقيقته الأرضية خاصة؛ يربط ملف YAML الخاص بمجموعة البيانات هذا التقسيم بـ خادم تقييم النقاط المفصلية COCO test-dev. راجع قسم هيكل مجموعة البيانات، أو ملف coco-pose.yaml على GitHub لمعرفة مسارات التقسيم الدقيقة.

Link to this sectionما هي السمات والتطبيقات الرئيسية لمجموعة بيانات COCO-Pose؟#

تستخدم COCO-Pose 17 نوعاً من النقاط المفصلية البشرية وترث مقاييس COCO الموحدة، بما في ذلك تشابه نقاط كائنات الكائن (OKS)، لمقارنة النماذج. هذا المزيج يناسب تطبيقات وضعية الإنسان مثل تحليلات الرياضة، الرعاية الصحية، والتفاعل بين الإنسان والحاسوب. تم إدراج أوزان YOLO26-pose المدربة مسبقاً تحت نماذج COCO-Pose المدربة مسبقاً.

لمزيد من المعلومات حول نماذج النقاط المفصلية، راجع مستندات مهمة تقدير الوضعية.