Link to this sectionمجموعة بيانات COCO128-Seg#

Link to this sectionمقدمة#

مجموعة بيانات Ultralytics COCO128-Seg هي مجموعة بيانات صغيرة ومتعددة الاستخدامات لـ تجزئة الكائنات تتكون من أول 128 صورة من مجموعة COCO train 2017. تُعد مجموعة البيانات هذه مثالية لاختبار وتصحيح نماذج التجزئة، أو لتجربة نهج اكتشاف جديدة. مع 128 صورة، فهي صغيرة بما يكفي لتكون سهلة الإدارة، ومع ذلك متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثاً عن أخطاء والعمل كفحص سلامة قبل تدريب مجموعات بيانات أكبر.

Link to this sectionهيكل مجموعة البيانات#

• الصور: 128 صورة إجمالاً. يعيد ملف YAML الافتراضي استخدام نفس الدليل للتدريب والتحقق (val) حتى تتمكن من التكرار بسرعة، ولكن يمكنك تكرار أو تخصيص التقسيم إذا رغبت في ذلك.
• الفئات: نفس فئات الكائنات الـ 80 الموجودة في COCO.
• التصنيفات: مضلعات بتنسيق YOLO محفوظة بجانب كل صورة داخل labels/{train,val}.

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics Platform و YOLO26.

Link to this sectionYAML مجموعة البيانات#

يُستخدم ملف YAML (Yet Another Markup Language) لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات COCO128-Seg، يتم الاحتفاظ بملف coco128-seg.yaml على الرابط 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.zip

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO128-Seg لمدة 100 حقبة بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

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="coco128-seg.yaml", epochs=100, imgsz=640)

Link to this sectionصور وشروحات توضيحية عينة#

إليك بعض الأمثلة لصور من مجموعة بيانات COCO128-Seg، جنباً إلى جنب مع تعليقاتها التوضيحية المقابلة:

• صورة مجمعة (Mosaiced Image): توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات مجمعة. الفسيفساء (Mosaicing) هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات COCO128-Seg وفوائد استخدام تقنية الفسيفساء (mosaicing) أثناء عملية التدريب.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO في عملك البحثي أو التطويري، يرجى الاستشهاد بالورقة 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}
}

نود أن نعرب عن تقديرنا لاتحاد COCO لإنشاء وصيانة هذا المورد القيم لمجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات COCO ومبتكريها، تفضل بزيارة موقع مجموعة بيانات COCO.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات COCO128-Seg، وكيف يتم استخدامها في Ultralytics YOLO26؟#

مجموعة بيانات COCO128-Seg هي مجموعة بيانات مدمجة لتجزئة الكائنات من Ultralytics، تتكون من أول 128 صورة من مجموعة COCO train 2017. تم تصميم هذه المجموعة خصيصاً لاختبار وتصحيح نماذج التجزئة أو تجربة طرق اكتشاف جديدة. وهي مفيدة بشكل خاص مع Ultralytics YOLO26 و Platform للتكرار السريع والتحقق من أخطاء خط أنابيب العمل قبل التوسع إلى مجموعات بيانات أكبر. للحصول على تفاصيل الاستخدام، راجع صفحة التدريب الخاصة بالنموذج.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26n-seg باستخدام مجموعة بيانات COCO128-Seg؟#

لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO128-Seg لمدة 100 حقبة بحجم صورة 640، يمكنك استخدام Python أو أوامر CLI. إليك مثال سريع:

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="coco128-seg.yaml", epochs=100, imgsz=640)

للحصول على شرح وافٍ للوسائط المتاحة وخيارات الإعداد، يمكنك مراجعة وثائق التدريب.

Link to this sectionلماذا تعتبر مجموعة بيانات COCO128-Seg مهمة لتطوير النماذج وتصحيح الأخطاء؟#

توفر مجموعة بيانات COCO128-Seg مزيجاً متوازناً من سهولة الإدارة والتنوع، حيث تحتوي على 128 صورة، مما يجعلها مثالية للاختبار السريع وتصحيح أخطاء نماذج التجزئة (segmentation) أو تجربة تقنيات اكتشاف جديدة. يسمح حجمها المعتدل بإجراء تكرارات تدريب سريعة مع توفير تنوع كافٍ للتحقق من مسارات التدريب قبل الانتقال إلى مجموعات بيانات أكبر. تعرف على المزيد حول تنسيقات مجموعات البيانات المدعومة في دليل مجموعات بيانات التجزئة من Ultralytics.

Link to this sectionأين يمكنني العثور على ملف تكوين YAML لمجموعة بيانات COCO128-Seg؟#

يتوفر ملف تكوين YAML لمجموعة بيانات COCO128-Seg في مستودع Ultralytics. يمكنك الوصول إلى الملف مباشرة على الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. يتضمن ملف YAML معلومات أساسية حول مسارات مجموعة البيانات، والفئات، وإعدادات التكوين المطلوبة لتدريب النموذج والتحقق منه.

Link to this sectionما هي بعض فوائد استخدام تقنية الفسيفساء (mosaicing) أثناء التدريب مع مجموعة بيانات COCO128-Seg؟#

يساعد استخدام الفسيفساء (mosaicing) أثناء التدريب على زيادة تنوع وتعدد الكائنات والمشاهد في كل دفعة تدريب. تدمج هذه التقنية صوراً متعددة في صورة مركبة واحدة، مما يعزز قدرة النموذج على التعميم لأحجام كائنات، ونسب عرض إلى ارتفاع، وسياقات مختلفة داخل المشهد. تعد الفسيفساء مفيدة لتحسين متانة النموذج ودقة التنبؤ، خاصة عند العمل مع مجموعات بيانات متوسطة الحجم مثل COCO128-Seg. لمثال على الصور المدمجة بالفسيفساء، انظر قسم صور وأمثلة التعليقات التوضيحية.