Link to this sectionمجموعة بيانات COCO-Seg#

مجموعة بيانات COCO-Seg، وهي امتداد لمجموعة بيانات COCO (الكائنات الشائعة في السياق)، مصممة خصيصًا لدعم الأبحاث في مجال تجزئة المثيلات. وهي تستخدم نفس الصور الموجودة في COCO ولكنها تقدم تعليقات توضيحية أكثر تفصيلًا للتجزئة. تعد مجموعة البيانات هذه موردًا حيويًا للباحثين والمطورين الذين يعملون على مهام تجزئة المثيلات، وخاصة لتدريب نماذج Ultralytics YOLO.

Link to this sectionنماذج COCO-Seg المدربة مسبقًا#

Link to this sectionالميزات الرئيسية#

• تحتفظ COCO-Seg بالصور الأصلية البالغ عددها 330 ألف صورة من COCO.
• تتكون مجموعة البيانات من نفس فئات الكائنات الثمانين الموجودة في مجموعة بيانات COCO الأصلية.
• تتضمن التعليقات التوضيحية الآن أقنعة تجزئة مثيلات أكثر تفصيلًا لكل كائن في الصور.
• توفر COCO-Seg مقاييس تقييم موحدة مثل متوسط دقة التنبؤ (mAP) لاكتشاف الكائنات، ومتوسط الاستدعاء (mAR) لمهام تجزئة المثيلات، مما يتيح إجراء مقارنة فعالة لأداء النماذج.

Link to this sectionهيكل مجموعة البيانات#

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

1. Train2017: 118 ألف صورة لتدريب نماذج تجزئة المثيلات.
2. Val2017: 5 آلاف صورة تستخدم للتحقق من الصحة أثناء تطوير النموذج.
3. Test2017: 20 ألف صورة تستخدم لقياس الأداء. تعليقات الحقيقة الأرضية (Ground-truth) لهذا المجموع الفرعي ليست متاحة للجمهور، لذا يجب إرسال التنبؤات إلى خادم تقييم COCO للحصول على النتائج.

Link to this sectionالتطبيقات#

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

Link to this sectionYAML مجموعة البيانات#

يتم استخدام ملف YAML (لغة توصيف أخرى) لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. وفي حالة مجموعة بيانات COCO-Seg، يتم الاحتفاظ بملف coco.yaml على 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 (20.1 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 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
  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)

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، مثل سابقتها COCO، على مجموعة متنوعة من الصور ذات فئات كائنات مختلفة ومشاهد معقدة. ومع ذلك، تقدم COCO-Seg أقنعة تجزئة مثيلات أكثر تفصيلًا لكل كائن في الصور. فيما يلي بعض الأمثلة للصور من مجموعة البيانات، جنبًا إلى جنب مع أقنعة تجزئة المثيلات المقابلة لها:

• صورة موزاييك: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات مجمعة بنمط الموزاييك. الترصيع هو أسلوب يستخدم أثناء التدريب يجمع صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في قدرة النموذج على التعميم لأحجام الكائنات ونسب العرض إلى الارتفاع والسياقات المختلفة.

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

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؟#

تعد مجموعة بيانات COCO-Seg امتدادًا لمجموعة بيانات COCO (الكائنات الشائعة في السياق) الأصلية، وهي مصممة خصيصًا لمهام تجزئة المثيلات. وبينما تستخدم نفس الصور الموجودة في مجموعة بيانات COCO، فإن COCO-Seg تتضمن تعليقات توضيحية أكثر تفصيلًا للتجزئة، مما يجعلها موردًا قويًا للباحثين والمطورين الذين يركزون على 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 حقبة بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة مفصلة 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 sectionما هي الميزات الرئيسية لمجموعة بيانات COCO-Seg؟#

تتضمن مجموعة بيانات COCO-Seg العديد من الميزات الرئيسية:

• تحتفظ بالصور الأصلية البالغ عددها 330 ألف صورة من مجموعة بيانات COCO.
• تتضمن تعليقات توضيحية لنفس فئات الكائنات الثمانين الموجودة في COCO الأصلية.
• توفر أقنعة تجزئة مثيلات أكثر تفصيلًا لكل كائن.
• تستخدم مقاييس تقييم موحدة مثل متوسط الدقة (mAP) لـ اكتشاف الكائنات 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 المختلفة. لمزيد من المعلومات حول اختيار النموذج، تفضل 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 ألف صورة تُستخدم بشكل أساسي لتدريب نماذج تجزئة المثيلات.
2. Val2017: تتكون من 5 آلاف صورة تُستخدم للتحقق من الصحة أثناء عملية التدريب.
3. Test2017: يشمل 20 ألف صورة محجوزة للاختبار وقياس أداء النماذج المدربة. لاحظ أن تعليقات الحقيقة الأرضية لهذا المجموع الفرعي ليست متاحة للجمهور، ويتم إرسال نتائج الأداء إلى خادم تقييم COCO للتقييم.

بالنسبة لاحتياجات التجريب الأصغر، يمكنك أيضًا التفكير في استخدام مجموعة بيانات COCO8-seg، وهي نسخة مضغوطة تحتوي على 8 صور فقط من مجموعة COCO train 2017.