Link to this sectionمجموعة بيانات COCO-Seg#

يوفر مجموعة بيانات COCO-Seg أقنعة تجزئة المثيلات COCO (الأجسام الشائعة في السياق) - 118,287 صورة للتدريب و 5,000 صورة للتحقق مع أقنعة مضلعة عبر 80 فئة من الكائنات - بتنسيق تسميات Ultralytics YOLO. يستخدم هذا الإصدار صور COCO الأصلية وتسميات التجزئة الأصلية الخاصة بها، والتي تم تحويلها لتدريب YOLO، مما يجعله مورداً حيوياً للباحثين والمطورين الذين يعملون على مهام تجزئة المثيلات.

Link to this sectionنماذج COCO-Seg المدربة مسبقًا#

Link to this sectionالميزات الرئيسية#

• توفر COCO-Seg أقنعة تجزئة المثيلات لـ 123,287 صورة مصنفة من COCO train2017/val2017 (118,287 للتدريب + 5,000 للتحقق)، من إصدار COCO الأوسع الذي يضم حوالي 330 ألف صورة.
• تتكون مجموعة البيانات من نفس فئات الكائنات الثمانين الموجودة في مجموعة بيانات COCO الأصلية.
• توفر التسميات التوضيحية أقنعة تجزئة المثيلات بتنسيق تسميات مضلعات YOLO.
• توفر COCO-Seg مقاييس mAP و mAR قياسية لتقييم أداء تجزئة المثيلات، مما يتيح مقارنة فعالة لأداء النماذج.
• حجم التنزيل: ~20.3 جيجابايت عند الاستخدام الأول (train2017.zip + val2017.zip + labels). لا يتم جلب ملف test2017.zip الذي يبلغ حجمه 7 جيجابايت تلقائيًا، نظرًا لأن تلك الصور تحتوي على حقيقة أرضية (ground truth) محجوبة ولا تلزم إلا لغرض تقديم test-dev2017.

Link to this sectionهيكل مجموعة البيانات#

يتم تقسيم مجموعة بيانات COCO-Seg إلى ثلاث مجموعات فرعية:

1. Train2017: 118,287 صورة لتدريب نماذج تجزئة المثيلات.
2. Val2017: 5,000 صورة تُستخدم للتحقق أثناء تطوير النموذج.
3. Test-dev2017: 20,288 من أصل 40,670 صورة في test2017، تُستخدم لقياس الأداء. التسميات التوضيحية للحقيقة الأرضية لهذه المجموعة الفرعية ليست متاحة للجمهور، لذا يجب إرسال التنبؤات إلى خادم تقييم COCO للحصول على النتائج.

لاحتياجات التجريب الأصغر، راجع مجموعات COCO128-Seg (128 صورة) و COCO8-Seg (8 صور).

Link to this sectionالتطبيقات#

تُستخدم COCO-Seg على نطاق واسع لتدريب وتقييم نماذج التعلم العميق على تجزئة المثيلات، مثل نماذج YOLO. العدد الكبير من الصور المصنفة، وتنوع فئات الكائنات، ومقاييس التقييم الموحدة تجعلها مورداً لا غنى عنه لباحثي وممارسي رؤية الحاسوب. يمكن أيضاً تصفح وإدارة تسميات COCO-Seg الكاملة على منصة Ultralytics.

Link to this sectionYAML مجموعة البيانات#

يُستخدم ملف YAML لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات COCO-Seg، يتم الاحتفاظ بملف coco.yaml في الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

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

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.3 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 # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# 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: |
  from pathlib import Path

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

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server 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-seg على مجموعة بيانات COCO-Seg لمدة 100 حقبة بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة تدريب النموذج.

from ultralytics import YOLO

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

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

Link to this sectionصور وشروحات توضيحية عينة#

تحتوي COCO-Seg على نفس الصور المتنوعة وفئات الكائنات والمشاهد المعقدة الموجودة في COCO، مع توفير أقنعة تجزئة المثيلات بتنسيق تسميات YOLO. إليك بعض الأمثلة للصور من مجموعة البيانات، جنباً إلى جنب مع أقنعة تجزئة المثيلات المقابلة لها:

• الصورة الموزاييكية: توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات موزاييكية. تُعد الموزاييك تقنية تُستخدم أثناء التدريب، حيث تدمج صوراً متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. ويساعد هذا في تحسين قدرة النموذج على التعميم لمختلف أحجام الكائنات، ونسب العرض إلى الارتفاع، والسياقات.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO-Seg في عملك البحثي أو التطويري، فيرجى الاستشهاد بورقة COCO الأصلية والإقرار بالتوسع في COCO-Seg:

@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}
}

نقدم شكرنا لاتحاد COCO لإنشاء والحفاظ على هذا المورد الذي لا يقدر بثمن لمجتمع رؤية الحاسوب. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، تفضل بزيارة موقع مجموعة بيانات COCO.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات COCO-Seg وكيف تختلف عن مجموعة بيانات COCO الأصلية؟#

COCO-Seg هي حزمة بتنسيق Ultralytics YOLO لأقنعة تجزئة المثيلات الأصلية الخاصة بـ COCO (الأجسام الشائعة في السياق) لنفس الصور البالغ عددها 118,287 في train2017 و 5,000 في val2017. تتضمن تسميات COCO الأصلية بالفعل هذه الأقنعة المضلعة لجميع فئات الكائنات الثمانين؛ تقوم COCO-Seg بتحويلها إلى تنسيق تسميات YOLO المستخدم لتدريب تجزئة مثيلات الكائنات.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 باستخدام مجموعة بيانات COCO-Seg؟#

لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO-Seg لمدة 100 دورة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة مفصلة بمدخلات التدريب المتاحة، راجع صفحة تدريب النموذج.

from ultralytics import YOLO

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

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

Link to this sectionما هي الميزات الرئيسية لمجموعة بيانات COCO-Seg؟#

تتضمن مجموعة بيانات COCO-Seg العديد من الميزات الرئيسية:

• توفر أقنعة تجزئة المثيلات لـ 123,287 صورة مصنفة من COCO train2017/val2017 (118,287 للتدريب + 5,000 للتحقق).
• تتضمن تعليقات توضيحية لنفس فئات الكائنات الثمانين الموجودة في COCO الأصلية.
• توفر أقنعة تجزئة المثيلات بتنسيق تسميات مضلعات YOLO.
• تستخدم مقاييس تقييم موحدة مثل متوسط الدقة الدقة (mAP) ومتوسط الاستدعاء (mAR) لمهام تجزئة المثيلات.

Link to this sectionما هي النماذج المدربة مسبقًا المتاحة لـ COCO-Seg، وما هي مقاييس أدائها؟#

تدعم مجموعة بيانات COCO-Seg نماذج تجزئة YOLO26 متعددة مدربة مسبقًا ذات مقاييس أداء متفاوتة. فيما يلي ملخص للنماذج المتاحة ومقاييسها الرئيسية:

تتراوح هذه النماذج من نموذج YOLO26n-seg خفيف الوزن إلى نموذج YOLO26x-seg الأكثر قوة، مما يوفر مقايضات مختلفة بين السرعة والدقة لتناسب متطلبات التطبيقات المتنوعة. لمزيد من المعلومات حول اختيار النموذج، قم بزيارة صفحة نماذج Ultralytics.

Link to this sectionكيف يتم تنظيم مجموعة بيانات COCO-Seg وما هي المجموعات الفرعية التي تحتوي عليها؟#

يتم تقسيم مجموعة بيانات COCO-Seg إلى ثلاث مجموعات فرعية لتلبية احتياجات التدريب والتقييم المحددة:

1. Train2017: تحتوي على 118,287 صورة تُستخدم بشكل أساسي لتدريب نماذج تجزئة المثيلات.
2. Val2017: تتكون من 5,000 صورة تُستخدم للتحقق أثناء عملية التدريب.
3. Test-dev2017: تشمل 20,288 من أصل 40,670 صورة في test2017 مخصصة لاختبار وقياس أداء النماذج المدربة. لاحظ أن التسميات التوضيحية للحقيقة الأرضية لهذه المجموعة الفرعية ليست متاحة للجمهور، ويتم إرسال نتائج الأداء إلى خادم تقييم COCO للتقييم.

لاحتياجات التجريب الأصغر، قد ترغب أيضاً في التفكير في مجموعة بيانات COCO128-Seg (128 صورة) أو مجموعة بيانات COCO8-Seg، وهي نسخة مصغرة تحتوي على 8 صور فقط من مجموعة COCO train 2017.