نظرة عامة على مجموعات بيانات تجزئة المثيلات#

تجزئة المثيلات مهمة في الرؤية الحاسوبية تتضمن تحديد الكائنات الفردية في الصورة ورسم حدودها. يقدم هذا الدليل نظرة عامة على تنسيقات مجموعات البيانات التي يدعمها Ultralytics YOLO لمهام تجزئة المثيلات، إلى جانب تعليمات إعداد مجموعات البيانات وتحويلها واستخدامها لتدريب نماذجك.

تنسيقات مجموعات البيانات المدعومة#

تنسيق Ultralytics YOLO#

تنسيق تسميات مجموعة البيانات المستخدم لتدريب نماذج تجزئة YOLO هو كما يلي:

1. ملف نصي واحد لكل صورة: تقابل كل صورة في مجموعة البيانات ملفًا نصيًا يحمل اسم ملف الصورة نفسه، ويمتد باللاحقة ".txt".
2. سطر واحد لكل كائن: يقابل كل سطر في الملف النصي مثيلًا واحدًا لكائن في الصورة.
3. معلومات الكائن في كل سطر: يحتوي كل سطر على المعلومات التالية حول مثيل الكائن:
   • مؤشر فئة الكائن: عدد صحيح يمثل فئة الكائن (مثلًا، 0 للشخص و1 للسيارة، إلخ).
   • إحداثيات مضلّع الكائن: نقاط (x, y) التي تحدد محيط قناع الكائن، بعد تطبيعها لتقع بين 0 و1.

يكون تنسيق السطر الواحد في ملف مجموعة بيانات التجزئة كما يلي:

<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>

في هذا التنسيق، يمثّل <class-index> مؤشر فئة الكائن، وتمثّل <x1> <y1> <x2> <y2> ... <xn> <yn> إحداثيات المضلّع المُطبّعة لقناع تجزئة الكائن (وتكون القيم ضمن [0, 1] بالنسبة إلى عرض الصورة وارتفاعها). وتُفصل الإحداثيات بمسافات.

فيما يلي مثال على تنسيق مجموعة بيانات YOLO لصورة واحدة تحتوي على كائنين: أحدهما مقطع مكوّن من 3 نقاط، والآخر مقطع مكوّن من 5 نقاط.

0 0.681 0.485 0.670 0.487 0.676 0.487
1 0.504 0.000 0.501 0.004 0.498 0.004 0.493 0.010 0.492 0.0104

تنسيق YAML لمجموعة البيانات#

يستخدم إطار عمل Ultralytics تنسيق ملف YAML لتعريف مجموعة البيانات وإعداد النموذج لتدريب نماذج التجزئة. فيما يلي مثال على تنسيق YAML المستخدم لتعريف مجموعة بيانات للتجزئة:

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

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← 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-seg # 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-seg.zip

تشير الحقول train وval وtest إلى صور التدريب والتحقق والاختبار. ويقبل كل منها مجلدًا أو قائمة مجلدات أو ملف *.txt يسرد مسار صورة واحدًا في كل سطر (تُحلّ المسارات التي تبدأ بـ ./ نسبةً إلى ملف *.txt). ويفيد ملف *.txt في التدريب على مجموعة فرعية من مجلد، أو تخطي الصور التي لا تحمل تسميات، أو جمع الصور من مصادر متعددة في قسم واحد.

path: datasets/coco8-seg # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: person

names قاموس لأسماء الفئات. ينبغي أن يتطابق ترتيب الأسماء مع ترتيب مؤشرات فئات الكائنات في ملفات مجموعة بيانات YOLO.

الاستخدام#

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-seg.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

مجموعات البيانات المدعومة#

تدعم Ultralytics YOLO مجموعات بيانات متنوعة لمهام تجزئة الكائنات الفردية. فيما يلي قائمة بأكثرها استخدامًا. وتُستضاف معظم هذه المجموعات أيضًا على منصة Ultralytics، حيث يمكنك تصفح الصور والتعليقات التوضيحية، والاطلاع على إحصاءات مجموعات البيانات، واستنساخها للتدريب السحابي.

• Carparts-seg: مجموعة بيانات متخصصة تركز على تجزئة أجزاء السيارات، وهي مثالية لتطبيقات قطاع السيارات. وتتضمن مجموعة متنوعة من المركبات مع تعليقات توضيحية مفصلة لمكونات كل سيارة.
• COCO: مجموعة بيانات شاملة لاكتشاف الكائنات والتجزئة وإضافة الأوصاف التوضيحية، وتضم أكثر من 200 ألف صورة موسومة ضمن فئات متنوعة.
• COCO8-seg: مجموعة فرعية صغيرة من COCO تضم 8 صور، ومخصصة للاختبار السريع لتدريب نماذج التجزئة، وهي مثالية لفحوصات CI والتحقق من سير العمل في مستودع ultralytics.
• COCO128-seg: مجموعة بيانات أصغر لمهام تجزئة الكائنات الفردية، وتتضمن مجموعة فرعية من 128 صورة من COCO مع تعليقات توضيحية للتجزئة.
• Crack-seg: مجموعة بيانات مصممة لتجزئة الشقوق في أسطح متنوعة. وهي أساسية لصيانة البنية التحتية ومراقبة الجودة، إذ توفر صورًا مفصلة لتدريب النماذج على تحديد نقاط الضعف الهيكلية.
• Package-seg: مجموعة بيانات مخصصة لتجزئة أنواع مواد التغليف وأشكالها المختلفة. وهي مفيدة بوجه خاص لأتمتة الخدمات اللوجستية والمستودعات، وتساعد في تطوير أنظمة مناولة الطرود وفرزها.

إضافة مجموعة البيانات الخاصة بك#

إذا كانت لديك مجموعة بيانات خاصة بك وتريد استخدامها لتدريب نماذج التجزئة بتنسيق Ultralytics YOLO، فتأكد من اتباعها التنسيق المحدد أعلاه ضمن «تنسيق Ultralytics YOLO». حوّل التعليقات التوضيحية إلى التنسيق المطلوب، وحدد المسارات وعدد الفئات وأسماءها في ملف إعدادات YAML. احتفظ بالمجلدين images/ وlabels/ منفصلين وعلى المستوى نفسه، مع تطابق بنية المجلدات الفرعية؛ إذ قد يؤدي وضع ملفات .txt الخاصة بالتسميات في مجلد الصور إلى عدم اكتشاف النموذج للتسميات.

نقل تنسيقات التسميات أو تحويلها#

تحويل تنسيق مجموعة بيانات COCO إلى تنسيق YOLO#

يمكنك بسهولة تحويل التسميات من تنسيق مجموعة بيانات COCO الشائع إلى تنسيق YOLO باستخدام مقتطف الشيفرة التالي:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_segments=True)

يمكن استخدام أداة التحويل هذه لتحويل مجموعة بيانات COCO أو أي مجموعة بيانات بتنسيق COCO إلى تنسيق Ultralytics YOLO.

تذكّر التحقق جيدًا من توافق مجموعة البيانات التي تريد استخدامها مع نموذجك ومن اتباعها اصطلاحات التنسيق اللازمة. فالتنسيق الصحيح لمجموعات البيانات ضروري لتدريب نماذج تجزئة ناجحة.

التعليق التوضيحي التلقائي#

تُعد ميزة التعليق التوضيحي التلقائي أساسية، إذ تتيح لك إنشاء مجموعة بيانات للتجزئة باستخدام نموذج كشف مدرّب مسبقًا. وتمكّنك من إضافة تعليقات توضيحية إلى عدد كبير من الصور بسرعة ودقة من دون الحاجة إلى وسمها يدويًا، ما يوفر الوقت والجهد.

إنشاء مجموعة بيانات للتجزئة باستخدام نموذج كشف#

لإضافة تعليقات توضيحية تلقائيًا إلى مجموعة بياناتك باستخدام إطار عمل Ultralytics، يمكنك استخدام الدالة auto_annotate كما هو موضح أدناه:

from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolo26x.pt", sam_model="sam_b.pt")

تستقبل الدالة auto_annotate مسار الصور، إلى جانب وسيطات اختيارية لتحديد نماذج الكشف المدرّبة مسبقًا، مثل YOLO26 وYOLO11 أو نماذج أخرى، ونماذج التجزئة، مثل SAM وSAM 2 وMobileSAM أو SAM 3، والجهاز الذي ستُشغّل عليه النماذج، ومجلد الإخراج لحفظ النتائج التي أُضيفت إليها التعليقات التوضيحية.

بفضل الاستفادة من قوة النماذج المدرّبة مسبقًا، يمكن للتعليق التوضيحي التلقائي أن يقلل بدرجة كبيرة الوقت والجهد اللازمين لإنشاء مجموعات بيانات تجزئة عالية الجودة. وتفيد هذه الميزة بوجه خاص الباحثين والمطورين الذين يعملون مع مجموعات صور كبيرة، إذ تتيح لهم التركيز على تطوير النماذج وتقييمها بدلًا من إضافة التعليقات التوضيحية يدويًا.

تصوير التعليقات التوضيحية لمجموعة البيانات#

غالبًا ما يكون من المفيد عرض التعليقات التوضيحية لمجموعة البيانات بصريًا قبل تدريب النموذج، للتأكد من صحتها. توفر Ultralytics دالة مساعدة لهذا الغرض. تقرأ الدالة تسميات المربعات بتنسيق الكشف (<class-index> <x_center> <y_center> <width> <height>) فقط، ولذلك لا يمكنها تحليل ملفات تسميات مضلعات التجزئة:

from ultralytics.data.utils import visualize_image_annotations

label_map = {  # ⁨عرّف خريطة التسميات التي تضم جميع تسميات الفئات المشروحة.⁩
    0: "person",
    1: "car",
}

# Visualize
visualize_image_annotations(
    "path/to/image.jpg",  # ⁨مسار صورة الإدخال.⁩
    "path/to/annotations.txt",  # ⁨مسار ملف التعليقات التوضيحية للصورة.⁩
    label_map,
)

ترسم هذه الدالة مربعات الإحاطة، وتضع أسماء الفئات لتسمية الكائنات، وتضبط لون النص لتحسين وضوحه، ما يساعدك على اكتشاف أخطاء التعليقات التوضيحية وتصحيحها قبل التدريب.

تحويل أقنعة التجزئة إلى تنسيق YOLO#

إذا كانت لديك صور أقنعة بتدرج الرمادي، حيث تمثل قيمة كل بكسل مؤشر الفئة + 1 (والخلفية قيمتها 0)، فيمكنك تحويلها إلى تنسيق تجزئة YOLO باستخدام:

from ultralytics.data.converter import convert_segment_masks_to_yolo_seg

# ⁨لمجموعات البيانات مثل COCO التي تضم 80 فئة⁩
convert_segment_masks_to_yolo_seg(masks_dir="path/to/masks_dir", output_dir="path/to/output_dir", classes=80)

تحوّل هذه الأداة المساعدة صور الأقنعة إلى تنسيق تجزئة YOLO وتحفظها في مجلد الإخراج المحدد.

الأسئلة الشائعة#