مجموعة بيانات COCO-Seg

تم تصميم مجموعة بيانات COCO-Seg ، وهي امتداد لمجموعة بيانات COCO (الكائنات الشائعة في السياق) ، خصيصا للمساعدة في البحث في تجزئة مثيل الكائن. يستخدم نفس الصور مثل COCO ولكنه يقدم تعليقات توضيحية أكثر تفصيلا للتقسيم. تعد مجموعة البيانات هذه موردا مهما للباحثين والمطورين الذين يعملون على مهام تجزئة المثيل ، خاصة للتدريب YOLO نماذج.

نماذج COCO-Seg المدربة مسبقا

الميزات الرئيسية

• تحتفظ COCO-Seg بالصور الأصلية التي تبلغ 330 كيلو بايت من COCO.
• تتكون مجموعة البيانات من نفس فئات الكائنات ال 80 الموجودة في مجموعة بيانات COCO الأصلية.
• تتضمن التعليقات التوضيحية الآن أقنعة تجزئة مثيل أكثر تفصيلا لكل كائن في الصور.
• يوفر COCO-Seg مقاييس تقييم موحدة مثل متوسط الدقة (mAP) لاكتشاف الكائن ، ومتوسط الاستدعاء المتوسط (mAR) لمهام التجزئة على سبيل المثال ، مما يتيح مقارنة فعالة لأداء النموذج.

هيكل مجموعة البيانات

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

1. Train2017: تحتوي هذه المجموعة الفرعية على 118 ألف صورة لنماذج تجزئة مثيل التدريب.
2. Val2017: تتضمن هذه المجموعة الفرعية صور بدقة 5K تستخدم لأغراض التحقق من الصحة أثناء تدريب النموذج.
3. Test2017: تشمل هذه المجموعة الفرعية 20 ألف صورة تستخدم لاختبار النماذج المدربة وقياسها. التعليقات التوضيحية للحقيقة الأساسية لهذه المجموعة الفرعية غير متاحة للجمهور، ويتم إرسال النتائج إلى خادم تقييم COCO لتقييم الأداء.

التطبيقات

يستخدم COCO-Seg على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في تجزئة المثيل ، مثل YOLO نماذج. إن العدد الكبير من الصور المشروحة ، وتنوع فئات الكائنات ، ومقاييس التقييم الموحدة تجعلها موردا لا غنى عنه للباحثين والممارسين في مجال رؤية الكمبيوتر.

مجموعة البيانات YAML

يتم استخدام ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات والفئات والمعلومات الأخرى ذات الصلة. 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 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/yolov5/releases/download/v1.0/'
  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)

استخدام

لتدريب أ YOLOv8nنموذج -seg على مجموعة بيانات COCO-Seg ل 100 حقبة بحجم صورة 640 ، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، ارجع إلى صفحة نموذج التدريب .

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-seg.pt')  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=coco-seg.yaml model=yolov8n.pt epochs=100 imgsz=640

عينة من الصور والتعليقات التوضيحية

يحتوي COCO-Seg ، مثل سابقه COCO ، على مجموعة متنوعة من الصور مع فئات كائنات مختلفة ومشاهد معقدة. ومع ذلك ، يقدم COCO-Seg أقنعة تجزئة مثيل أكثر تفصيلا لكل كائن في الصور. فيما يلي بعض الأمثلة على الصور من مجموعة البيانات، جنبا إلى جنب مع أقنعة تجزئة المثيل المقابلة لها:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات فسيفسائية. 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.

الاستشهادات والشكر

إذا كنت تستخدم مجموعة بيانات COCO-Seg في أعمال البحث أو التطوير الخاصة بك ، فيرجى 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}
}

نعرب عن شكرنا لاتحاد COCO لإنشاء وصيانة هذا المورد الذي لا يقدر بثمن لمجتمع رؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، تفضل بزيارة موقع ويب مجموعة بيانات COCO.

التعليقات