مجموعة بيانات COCO-Seg

صُممت مجموعة بيانات COCO-Seg، وهي امتداد لمجموعة بيانات COCO (كائنات مشتركة في السياق)، خصيصًا للمساعدة في البحث في تجزئة مثيل الكائن. وهي تستخدم نفس الصور التي تستخدمها مجموعة بيانات COCO ولكنها تقدم شروحاً أكثر تفصيلاً للتجزئة. تُعد مجموعة البيانات هذه موردًا مهمًا للباحثين والمطورين الذين يعملون على مهام تجزئة النماذج، خاصةً لتدريب نماذج YOLO .

نماذج COCO-Seg المدربة مسبقاً

الميزات الرئيسية

• يحتفظ COCO-Seg بالصور الأصلية البالغ عددها 330 ألف صورة من COCO.
• تتكون مجموعة البيانات من نفس فئات الكائنات ال 80 الموجودة في مجموعة بيانات COCO الأصلية.
• تتضمن التعليقات التوضيحية الآن أقنعة تجزئة أكثر تفصيلاً لكل كائن في الصور.
• يوفر نموذج COCO-Seg مقاييس تقييم موحدة مثل متوسط متوسط الدقة (mAP) لاكتشاف الأجسام، ومتوسط متوسط الاسترجاع (mAR) لمهام التجزئة على سبيل المثال، مما يتيح المقارنة الفعالة لأداء النموذج.

هيكلية مجموعة البيانات

تنقسم مجموعة بيانات COCO-Seg إلى ثلاث مجموعات فرعية:

1. تدريب 2017: تحتوي هذه المجموعة الفرعية على 118 ألف صورة لتدريب نماذج تجزئة النماذج.
2. Val2017: تتضمن هذه المجموعة الفرعية 5 آلاف صورة مستخدمة لأغراض التحقق من الصحة أثناء تدريب النموذج.
3. اختبار 2017: تشتمل هذه المجموعة الفرعية على 20 ألف صورة تُستخدم لاختبار النماذج المدرّبة وقياس أدائها. لا تتوفر شروح الحقيقة الأساسية لهذه المجموعة الفرعية للجمهور، ويتم إرسال النتائج إلى خادم تقييم COCO لتقييم الأداء.

التطبيقات

يُستخدم COCO-Seg على نطاق واسع لتدريب وتقييم نماذج التعلّم العميق في تجزئة النماذج، مثل نماذج YOLO . إن العدد الكبير من الصور المشروحة، وتنوع فئات الكائنات، ومقاييس التقييم الموحدة تجعل منه موردًا لا غنى عنه للباحثين والممارسين في مجال الرؤية الحاسوبية.

مجموعة البيانات YAML

يُستخدم ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها والمعلومات الأخرى ذات الصلة. في حالة مجموعة بيانات COCO-Seg، فإن ملف coco.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 ultralytics.utils.downloads import download
  from pathlib import Path

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml['path'])  # dataset root dir
  url = 'https://github.com/ultralytics/assets/releases/download/v0.0.0/'
  urls = [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 لـ 100 حلقة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع 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

عينة من الصور والتعليقات التوضيحية

يحتوي برنامج COCO-Seg، مثل سابقه COCO، على مجموعة متنوعة من الصور ذات فئات كائنات مختلفة ومشاهد معقدة. ومع ذلك، يقدم COCO-Seg أقنعة تجزئة أكثر تفصيلاً لكل كائن في الصور. فيما يلي بعض الأمثلة على الصور من مجموعة البيانات، إلى جانب أقنعة تجزئة النماذج المقابلة لها:

• صورة فسيفساء: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات موزاييك. الفسيفساء هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد داخل كل دفعة تدريب. يساعد هذا في قدرة النموذج على التعميم على أحجام الأجسام المختلفة ونسب أبعادها وسياقاتها.

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

الاستشهادات والشكر والتقدير

إذا كنت تستخدم مجموعة بيانات COCO-Seg في عملك البحثي أو التطويري، يُرجى الاستشهاد بورقة COCO الأصلية والإقرار بالامتداد إلى 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 اتحاد COCO Consortium على إنشاء هذا المورد القيّم لمجتمع الرؤية الحاسوبية والحفاظ عليه. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، يرجى زيارة الموقع الإلكتروني لمجموعة بيانات COCO.

الأسئلة الشائعة

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

تعد مجموعة بيانات COCO-Seg امتدادًا لمجموعة بيانات COCO الأصلية (كائنات مشتركة في السياق)، وهي مصممة خصيصًا لمهام تجزئة النماذج. وعلى الرغم من أنها تستخدم نفس الصور التي تستخدمها مجموعة بيانات COCO، إلا أن COCO-Seg تتضمن شروحاً أكثر تفصيلاً للتجزئة، مما يجعلها مورداً قوياً للباحثين والمطورين الذين يركزون على تجزئة مثيل الكائن.

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

لتدريب نموذج YOLO11n-seg على مجموعة بيانات COCO-Seg لـ 100 حلقة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة مفصلة بالوسائط المتاحة، راجع 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 السمات الرئيسية لمجموعة بيانات COCO-Seg؟

تتضمن مجموعة بيانات COCO-Seg العديد من الميزات الرئيسية:

• يحتفظ بالصور الأصلية البالغ عددها 330 ألف صورة من مجموعة بيانات COCO.
• يشرح نفس فئات الكائنات ال 80 الموجودة في COCO الأصلي.
• توفير أقنعة تجزئة أكثر تفصيلاً لكل كائن.
• يستخدم مقاييس تقييم موحدة مثل متوسط متوسط الدقة (mAP) لاكتشاف الكائنات ومتوسط متوسط الاسترجاع (mAR) لمهام التجزئة على سبيل المثال.

ما هي النماذج التي تم تدريبها مسبقاً والمتوفرة ل COCO-Seg، وما هي مقاييس أدائها؟

تدعم مجموعة بيانات COCO-Seg العديد من نماذج التجزئة YOLO11 المدربة مسبقًا بمقاييس أداء مختلفة. فيما يلي ملخص للنماذج المتاحة ومقاييسها الرئيسية:

كيف يتم تنظيم مجموعة بيانات COCO-Seg وما هي المجموعات الفرعية التي تحتوي عليها؟

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

1. تدريب 2017: يحتوي على 118 ألف صورة تُستخدم بشكل أساسي لتدريب نماذج تجزئة النماذج.
2. Val2017: يضم 5 آلاف صورة مستخدمة للتحقق من الصحة أثناء عملية التدريب.
3. اختبار 2017: تشمل 20 ألف صورة محجوزة لاختبار النماذج المدرّبة وقياس أدائها. لاحظ أن شروح الحقيقة الأساسية لهذه المجموعة الفرعية غير متاحة للجمهور، ويتم إرسال نتائج الأداء إلى خادم تقييم COCO للتقييم.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 18 يومًا

التعليقات