رؤية YOLO 2026:
CC BY 4.0

مجموعة بيانات COCO128-Seg#

مقدمة#

مجموعة بيانات Ultralytics COCO128-Seg هي مجموعة بيانات تجزئة المثیلات صغيرة ولكنها متعددة الاستخدامات وتتكون من أول 128 صورة من مجموعة تدريب COCO 2017. تعتبر مجموعة البيانات هذه مثالية لاختبار وتنقيح نماذج التجزئة، أو للتجربة مع نهج اكتشاف جديدة. مع 128 صورة، فهي صغيرة بما يكفي لتكون قابلة للإدارة بسهولة، ومع ذلك فهي متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثاً عن الأخطاء والعمل كفحص سلامة قبل تدريب مجموعات بيانات أكبر.

هيكل مجموعة البيانات#

  • الصور: 128 صورة إجمالاً، مع تقسيم التدريب والتحقق بشكل متطابق (انظر الملاحظة أدناه).
  • الفئات: نفس فئات الكائنات الـ 80 الموجودة في COCO.
  • التسميات: مضلعات بتنسيق YOLO مخزنة في labels/train2017 لدليل صور التدريب والتحقق المشترك.
  • حجم التنزيل: حوالي 7 ميجابايت.
ملاحظة

يشير ملف YAML الافتراضي إلى نفس الـ 128 صورة للتدريب والتحقق، لذا تقيس مقاييس التحقق مدى الملاءمة على مجموعة التدريب بدلاً من التعميم على بيانات محتجزة. قم بتكرار التقسيم أو تخصيصه إذا كنت بحاجة إلى مجموعة محتجزة حقيقية.

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics Platform و YOLO26.

YAML مجموعة البيانات#

يتم استخدام ملف YAML 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 في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.

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

الاستخدام#

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

مثال على التدريب
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)

صور وشروحات توضيحية عينة#

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

COCO128-seg instance segmentation dataset mosaic
  • 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.

الاقتباسات والشكر#

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

اقتباس
@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 نشكر اتحاد COCO لإنشاء والحفاظ على هذا المورد القيم لمجتمع computer vision. لمزيد من المعلومات حول مجموعة بيانات COCO ومبتكريها، تفضل بزيارة COCO dataset website.

الأسئلة الشائعة#

  • مجموعة بيانات COCO128-Seg dataset هي مجموعة بيانات تجزئة مثيلات مدمجة من Ultralytics، وتتكون من أول 128 صورة من مجموعة تدريب COCO 2017. تم تصميم مجموعة البيانات هذه خصيصاً لاختبار وتصحيح نماذج التجزئة أو تجربة طرق اكتشاف جديدة. وهي مفيدة بشكل خاص مع Ultralytics YOLO26 و Platform للتكرار السريع والتحقق من أخطاء خطوط الأنابيب قبل التوسع إلى مجموعات بيانات أكبر. للاستخدام المفصل، راجع صفحة Training الخاصة بالنموذج.

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

    مثال على التدريب
    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 شامل للوسائط المتاحة وخيارات التكوين، يمكنك الاطلاع على وثائق Training.

  • نظراً لأن عملية التنزيل وحلقة التدريب/التحقق أصغر بكثير من مجموعة COCO الكاملة، يتيح لك COCO128-Seg تشغيل فحص سلامة لمدة حقبة واحدة على خط أنابيب جديد - للتحقق من أن النموذج يتدرب، ويتحقق من الصحة، ويحفظ نقاط الاختيار بشكل صحيح - قبل التوسع إلى مجموعة بيانات COCO-Seg الكاملة. تعرف على المزيد حول تنسيقات مجموعات البيانات المدعومة في دليل مجموعة بيانات التجزئة من Ultralytics.

  • ملف تكوين YAML الخاص بـ COCO128-Seg dataset متوفر في مستودع Ultralytics. يمكنك الوصول إلى الملف مباشرة على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. يتضمن ملف YAML معلومات أساسية حول مسارات مجموعة البيانات، والفئات، وإعدادات التوين المطلوبة لتدريب النموذج والتحقق من صحته.

  • تقع مجموعة COCO128-Seg (128 صورة) بين COCO8-Seg (8 صور) ومجموعة بيانات COCO-Seg الكاملة (118,287 صورة تدريب) من حيث الحجم:

    • COCO8-Seg: 8 صور (4 للتدريب، 4 للتحقق) — مثالية لفحوصات السلامة السريعة وتصحيح الأخطاء.
    • COCO128-Seg: 128 صورة — متوازنة بين الحجم والتنوع، مع مشاركة التدريب والتحقق لنفس الدليل.
    • COCO-Seg الكاملة: 118,287 صورة تدريب — شاملة ولكنها تستهلك الكثير من الموارد، وتتطلب حوالي 27 غيغابايت عند التنزيل لأول مرة.

    يوفر COCO128-Seg تنوعاً أكبر من COCO8-Seg مع البقاء أكثر قابلية للإدارة بكثير من مجموعة بيانات COCO-Seg الكاملة للتجارب والتطوير الأولي للنموذج.

المساهمون
GLglenn-jocher7RAraimbekovm4PDpderrenger1FCfcakyon1

التعليقات