مجموعة بيانات COCO128-Seg#
مقدمة#
تتألف مجموعة بيانات COCO128-Seg من Ultralytics، وهي مجموعة صغيرة ومتعددة الاستخدامات لـتجزئة الكائنات، من أول 128 صورة في مجموعة COCO train 2017. وتُعد هذه المجموعة مثالية لاختبار نماذج التجزئة وتصحيح أخطائها، أو تجربة أساليب جديدة للتجزئة. وبفضل اقتصارها على 128 صورة، يسهل التعامل معها، لكنها متنوعة بما يكفي لاختبار مسارات التدريب بحثًا عن الأخطاء واستخدامها كاختبار أولي قبل تدريب نماذج على مجموعات بيانات أكبر.
بنية مجموعة البيانات#
- الصور: 128 صورة إجمالًا، مع تطابق تقسيمي التدريب والتحقق (انظر الملاحظة أدناه).
- الفئات: فئات الكائنات الثمانون نفسها الموجودة في COCO.
- التسميات: مضلعات بتنسيق YOLO محفوظة في
labels/train2017لدليل صور التدريب والتحقق المشترك. - حجم التنزيل: ~7 MB.
يشير ملف YAML الافتراضي إلى صور التدريب والتحقق الـ128 نفسها، لذا تقيس مقاييس التحقق مدى التوافق مع مجموعة التدريب بدلًا من قياس التعميم على بيانات لم تُستخدم في التدريب. أنشئ نسخة من التقسيم أو خصّصه إذا كنت بحاجة إلى مجموعة مستقلة فعلية.
صُممت مجموعة البيانات هذه للاستخدام مع Ultralytics Platform وYOLO26.
ملف YAML لمجموعة البيانات#
يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. ويتضمن معلومات عن مسارات مجموعة البيانات وفئاتها وغيرها من المعلومات ذات الصلة. وفي حالة مجموعة بيانات COCO128-Seg، يُصان الملف coco128-seg.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco128-seg
# Example usage: yolo train data=coco128-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128-seg ← downloads here (7 MB)
# 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128-seg.zipالاستخدام#
لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO128-Seg لمدة 100 حقبة وبحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.
from ultralytics import YOLO
# تحميل نموذج
model = YOLO("yolo26n-seg.pt") # تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)
# تدريب النموذج
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)صور وتعليقات توضيحية نموذجية#
فيما يلي بعض الأمثلة على صور من مجموعة بيانات COCO128-Seg، إلى جانب التعليقات التوضيحية المقابلة لها:
- صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكوّنة من صور مجموعة البيانات بعد دمجها بتقنية الفسيفساء. الفسيفساء تقنية تُستخدم أثناء التدريب، وتجمع صوراً متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد في كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب أبعادها وسياقاتها المختلفة.
الاستشهادات والشكر والتقدير#
إذا استخدمت مجموعة بيانات COCO في أبحاثك أو أعمال التطوير، فيُرجى الاستشهاد بالورقة البحثية التالية:
@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}
}نتوجه بالشكر إلى اتحاد COCO لإنشاء هذا المورد القيّم وصيانته لخدمة مجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات COCO والقائمين على إنشائها، تفضل بزيارة موقع مجموعة بيانات COCO.
الأسئلة الشائعة#
مجموعة بيانات COCO128-Seg هي مجموعة بيانات صغيرة لتجزئة الكائنات من Ultralytics، وتتألف من أول 128 صورة من مجموعة COCO train 2017. صُممت هذه المجموعة لاختبار نماذج التجزئة وتصحيح أخطائها أو تجربة أساليب جديدة للتجزئة. وتفيد على نحو خاص مع YOLO26 وPlatform من Ultralytics لإجراء دورات تطوير سريعة والتحقق من أخطاء مسار العمل قبل التوسع إلى مجموعات بيانات أكبر. للاطلاع على الاستخدام بالتفصيل، راجع صفحة التدريب الخاصة بالنموذج.
لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO128-Seg لمدة 100 حقبة وبحجم صورة 640، يمكنك استخدام أوامر Python أو CLI. إليك مثالًا سريعًا:
مثال على التدريبfrom ultralytics import YOLO # تحميل نموذج model = YOLO("yolo26n-seg.pt") # تحميل نموذج مدرّب مسبقًا (موصى به للتدريب) # تدريب النموذج results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)للاطلاع على شرح وافٍ للوسائط المتاحة وخيارات الإعداد، راجع وثائق التدريب.
نظرًا إلى أن التنزيل ودورة التدريب/التحقق أصغر بكثير من COCO الكاملة، تتيح لك COCO128-Seg إجراء اختبار أولي لمدة حقبة واحدة لمسار عمل جديد — للتحقق من تدريب النموذج والتحقق منه وحفظ نقاط التحقق على النحو الصحيح — قبل التوسع إلى مجموعة بيانات COCO-Seg الكاملة. تعرّف على مزيد من المعلومات حول تنسيقات مجموعات البيانات المدعومة في دليل مجموعات بيانات التجزئة من Ultralytics.
يتوفر ملف إعداد YAML الخاص بـ مجموعة بيانات COCO128-Seg في مستودع Ultralytics. يمكنك الوصول إلى الملف مباشرةً من https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. ويتضمن ملف YAML معلومات أساسية عن مسارات مجموعة البيانات وفئاتها وإعداداتها اللازمة لتدريب النماذج والتحقق منها.
من حيث الحجم، تقع COCO128-Seg (128 صورة) بين COCO8-Seg (8 صور) ومجموعة بيانات COCO-Seg الكاملة (118,287 صورة تدريبية):
- COCO8-Seg: 8 صور (4 للتدريب و4 للتحقق) — مثالية للاختبارات الأولية السريعة وتصحيح الأخطاء.
- COCO128-Seg: 128 صورة — توازن بين الحجم والتنوع، مع مشاركة التدريب والتحقق للدليل نفسه.
- COCO-Seg الكاملة: 118,287 صورة تدريبية — شاملة لكنها تتطلب موارد كبيرة، وتحتاج إلى ~20 GB عند التنزيل لأول مرة.
توفر COCO128-Seg تنوعًا أكبر من COCO8-Seg، مع بقائها أسهل بكثير في الإدارة من مجموعة بيانات COCO-Seg الكاملة لأغراض التجريب والتطوير الأولي للنماذج.