مجموعة بيانات COCO-Seg

تعتبر مجموعة بيانات COCO-Seg، وهي امتداد لمجموعة بيانات COCO (الكائنات الشائعة في السياق)، مصممة خصيصًا للمساعدة في البحث في segmentation مثيل الكائن. وهي تستخدم نفس صور COCO ولكنها تقدم تعليقات توضيحية أكثر تفصيلاً لـ segmentation. تعتبر مجموعة البيانات هذه موردًا بالغ الأهمية للباحثين والمطورين الذين يعملون على مهام segmentation المثيل، وخاصة لتدريب نماذج Ultralytics YOLO.

نماذج COCO-Seg المدربة مسبقًا

الميزات الرئيسية

• تحتفظ COCO-Seg بالصور الأصلية البالغ عددها 330 ألف صورة من COCO.
• تتكون مجموعة البيانات من نفس فئات الكائنات الـ 80 الموجودة في مجموعة بيانات COCO الأصلية.
• تتضمن التعليقات التوضيحية الآن أقنعة تجزئة مثيل أكثر تفصيلاً لكل كائن في الصور.
• توفر COCO-Seg مقاييس تقييم موحدة مثل متوسط الدقة المتوسطة (mAP) لاكتشاف الكائنات، ومتوسط الاسترجاع (mAR) لمهام تقسيم الحالات، مما يتيح مقارنة فعالة لأداء النماذج.

هيكل مجموعة البيانات

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

1. Train2017: ‏118 ألف صورة لتدريب نماذج تقسيم الحالات.
2. Val2017: 5 آلاف صورة تستخدم للتحقق من الصحة أثناء تطوير النموذج.
3. Test2017: 20 ألف صورة مستخدمة في القياس المعياري. الشروح الأرضية الحقيقية لهذه المجموعة الفرعية غير متاحة للعامة، لذلك يجب إرسال التوقعات إلى خادم تقييم COCO للتسجيل.

التطبيقات

تستخدم COCO-Seg على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في تقسيم الحالات، مثل نماذج YOLO. إن العدد الكبير من الصور المشروحة، وتنوع فئات الكائنات، ومقاييس التقييم الموحدة تجعلها موردًا لا غنى عنه لباحثي رؤية الحاسوب والممارسين.

ملف YAML لمجموعة البيانات

يستخدم ملف YAML (وهي لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات COCO-Seg، فإن coco.yaml يتم الاحتفاظ بالملف في 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 (20.1 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 to https://competitions.codalab.org/competitions/20794

# 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
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

الاستخدام

لتدريب نموذج YOLO11n-seg على مجموعة بيانات COCO-Seg لعدد 100 epoch بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، ارجع إلى صفحة تدريب النموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

عينات من الصور والشروحات التوضيحية

تحتوي COCO-Seg، مثل سابقتها COCO، على مجموعة متنوعة من الصور مع فئات كائنات مختلفة ومشاهد معقدة. ومع ذلك، تقدم COCO-Seg أقنعة تقسيم حالات أكثر تفصيلاً لكل كائن في الصور. فيما يلي بعض الأمثلة على الصور من مجموعة البيانات، جنبًا إلى جنب مع أقنعة تقسيم الحالات المقابلة لها:

• صورة الفسيفساء: توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات الفسيفساء. الفسيفساء هي تقنية تستخدم أثناء التدريب تجمع بين صور متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في قدرة النموذج على التعميم على أحجام الكائنات المختلفة ونسب العرض إلى الارتفاع والسياقات.

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

الاقتباسات والإقرارات

إذا كنت تستخدم مجموعة بيانات COCO-Seg في بحثك أو عملك 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}
}

نتقدم بالشكر إلى COCO Consortium لإنشاء هذا المورد القيم والحفاظ عليه لمجتمع رؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، تفضل بزيارة موقع مجموعة بيانات COCO.

الأسئلة الشائعة

ما هي مجموعة بيانات COCO-Seg وكيف تختلف عن مجموعة بيانات COCO الأصلية؟

تعتبر مجموعة بيانات COCO-Seg امتدادًا لمجموعة بيانات COCO الأصلية (الكائنات الشائعة في السياق)، وهي مصممة خصيصًا لمهام segmentation المثيل. على الرغم من أنها تستخدم نفس صور مجموعة بيانات COCO، إلا أن COCO-Seg تتضمن تعليقات توضيحية أكثر تفصيلاً لـ segmentation، مما يجعلها موردًا قويًا للباحثين والمطورين الذين يركزون على segmentation مثيل الكائن.

كيف يمكنني تدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO-Seg؟

لتدريب نموذج YOLO11n-seg على مجموعة بيانات COCO-Seg لعدد 100 epoch بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة مفصلة بالوسائط المتاحة، ارجع إلى صفحة تدريب النموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

ما هي الميزات الرئيسية لمجموعة بيانات COCO-Seg؟

تتضمن مجموعة بيانات COCO-Seg العديد من الميزات الرئيسية:

• تحتفظ بالصور الأصلية البالغ عددها 330 ألفًا من مجموعة بيانات COCO.
• يقوم بتعليم نفس فئات الكائنات الـ 80 الموجودة في COCO الأصلي.
• يوفر أقنعة تجزئة مفصلة أكثر لكل كائن.
• يستخدم مقاييس تقييم موحدة مثل متوسط الدقة المعيارية (mAP) لـ اكتشاف الكائنات ومتوسط الاسترجاع المعياري (mAR) لمهام تقسيم المثيلات.

ما هي النماذج المدربة مسبقًا المتوفرة لـ COCO-Seg، وما هي مقاييس أدائها؟

تدعم مجموعة بيانات COCO-Seg العديد من نماذج تجزئة YOLO11 المدربة مسبقًا مع مقاييس أداء متفاوتة. فيما يلي ملخص للنماذج المتاحة ومقاييسها الرئيسية:

تتراوح هذه النماذج من YOLO11n-seg خفيف الوزن إلى YOLO11x-seg الأكثر قوة، مما يوفر مفاضلات مختلفة بين السرعة والدقة لتناسب متطلبات التطبيق المختلفة. لمزيد من المعلومات حول اختيار النموذج، قم بزيارة صفحة نماذج Ultralytics.

كيف 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 تدريب وتقييم محددة:

1. Train2017: يحتوي على 118 ألف صورة تستخدم بشكل أساسي لتدريب نماذج تقسيم المثيلات.
2. Val2017: تتكون من 5 آلاف صورة تستخدم للتحقق من الصحة أثناء عملية التدريب.
3. Test2017: يشمل 20 ألف صورة مخصصة لاختبار وتقييم النماذج المدربة. لاحظ أن الشروح الأرضية الحقيقية لهذه المجموعة الفرعية غير متاحة للعامة، ويتم إرسال نتائج الأداء إلى خادم تقييم COCO للتقييم.

لتلبية احتياجات التجربة الأصغر، يمكنك أيضًا التفكير في استخدام مجموعة بيانات COCO8-seg، وهي نسخة مضغوطة تحتوي على 8 صور فقط من مجموعة تدريب COCO 2017.

📅 تم الإنشاء منذ سنتين ✏️ تم التحديث منذ 25 يومًا

تعليقات