Ultralytics YOLO27:
CC BY 4.0

مجموعة بيانات COCO128-Seg#

مقدمة#

تُعد مجموعة بيانات COCO128-Seg من Ultralytics مجموعة بيانات صغيرة ومتعددة الاستخدامات لـتجزئة الكائنات، وتتكون من أول 128 صورة من مجموعة COCO train 2017. وتُعد هذه المجموعة مثالية لاختبار نماذج التجزئة وتصحيح أخطائها، أو لتجربة أساليب جديدة للكشف. وبفضل احتوائها على 128 صورة، فهي صغيرة بما يكفي لتكون سهلة الإدارة، ومتنوعة بما يكفي لاختبار مسارات تدريب النماذج بحثًا عن الأخطاء، والعمل كاختبار سلامة قبل تدريب مجموعات بيانات أكبر.

بنية مجموعة البيانات#

  • الصور: 128 صورة إجمالًا، مع تطابق تقسيمي train وval (انظر الملاحظة أدناه).
  • الفئات: فئات الكائنات الثمانون نفسها الموجودة في COCO.
  • التسميات: مضلعات بتنسيق YOLO مخزنة في labels/train2017 لدليل صور train وval المشترك.
  • حجم التنزيل: ~7 ميغابايت.
ملاحظة

يشير ملف YAML الافتراضي إلى صور train وval البالغ عددها 128 صورة نفسها، ولذلك تقيس مقاييس التحقق مدى التوافق مع مجموعة التدريب بدلًا من قياس التعميم على بيانات محجوزة. كرر التقسيم أو خصصه إذا كنت بحاجة إلى مجموعة محجوزة فعلية.

صُممت مجموعة البيانات هذه للاستخدام مع Ultralytics Platform وYOLO26.

YAML مجموعة البيانات#

يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. ويحتوي على معلومات حول 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/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 وبحجم صورة يبلغ 640، يمكنك استخدام مقاطع التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب 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)

الصور والتعليقات التوضيحية النموذجية#

فيما يلي بعض الأمثلة على صور من مجموعة بيانات COCO128-Seg، إلى جانب التعليقات التوضيحية المقابلة لها:

COCO128-seg instance segmentation dataset mosaic
  • الصورة الموزاييكية: توضح هذه الصورة دفعة تدريب مكوّنة من صور موزاييكية من مجموعة البيانات. والموزاييك تقنية تُستخدم أثناء التدريب وتجمع صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد ضمن كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الأجسام ونِسَب العرض إلى الارتفاع والسياقات المختلفة.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات COCO في أبحاثك أو أعمال التطوير الخاصة بك، فيُرجى الاستشهاد بالورقة البحثية 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 نعرب عن تقديرنا لاتحاد COCO لإنشائه هذا المورد القيّم لمجتمع الرؤية الحاسوبية والحفاظ عليه. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، تفضل بزيارة موقع مجموعة بيانات COCO.

الأسئلة الشائعة#

  • تُعد مجموعة بيانات COCO128-Seg مجموعة بيانات مدمجة لتجزئة الكائنات من Ultralytics، وتتكون من أول 128 صورة من مجموعة COCO train 2017. وقد صُممت هذه المجموعة لاختبار نماذج التجزئة وتصحيح أخطائها أو تجربة أساليب جديدة للكشف. وهي مفيدة بوجه خاص مع YOLO26 وPlatform من Ultralytics لإجراء تكرارات سريعة والتحقق من أخطاء مسار العمل قبل التوسع إلى مجموعات بيانات أكبر. للحصول على إرشادات استخدام مفصلة، راجع صفحة التدريب الخاصة بالنموذج.

  • لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO128-Seg لمدة 100 حقبة وبحجم صورة يبلغ 640، يمكنك استخدام أوامر Python أو CLI. إليك مثالًا سريعًا:

    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 وافٍ للوسائط المتاحة وخيارات الإعداد، يمكنك مراجعة وثائق التدريب.

  • نظرًا لأن حلقة التنزيل والتدريب/التحقق أصغر بكثير من COCO الكاملة، تتيح لك COCO128-Seg إجراء اختبار سلامة لمدة حقبة واحدة على مسار عمل جديد — للتحقق من أن النموذج يتدرب ويتحقق من صحته ويحفظ نقاط التحقق بشكل صحيح — قبل التوسع إلى مجموعة بيانات COCO-Seg الكاملة. تعرّف على المزيد حول تنسيقات مجموعات البيانات المدعومة في دليل مجموعات بيانات التجزئة من Ultralytics.

  • يتوفر ملف إعداد YAML الخاص بـمجموعة بيانات COCO128-Seg في مستودع Ultralytics. ويمكنك الوصول إلى الملف مباشرةً من https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. ويتضمن ملف YAML معلومات أساسية حول مسارات مجموعة البيانات والفئات وإعدادات التهيئة اللازمة لتدريب النموذج والتحقق من صحته.

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

    • COCO8-Seg: 8 صور (4 للتدريب و4 للتحقق) — مثالية لاختبارات السلامة 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 ولكنها تتطلب موارد مكثفة، حيث تتطلب حوالي 20 جيجابايت عند التنزيل الأول.

    توفر COCO128-Seg تنوعًا أكبر من COCO8-Seg، مع بقائها أسهل بكثير في الإدارة من مجموعة بيانات COCO-Seg الكاملة لأغراض التجارب والتطوير الأولي للنماذج.

المساهمون
GLglenn-jocher8RAraimbekovm4PDpderrenger1FCfcakyon1

التعليقات