Link to this sectionمجموعة بيانات COCO8-Seg#

Link to this sectionمقدمة#

تعد مجموعة بيانات Ultralytics COCO8-Seg مجموعة بيانات تجزئة المثيلات صغيرة ومتعددة الاستخدامات، تتكون من أول 8 صور من مجموعة بيانات COCO train 2017، بواقع 4 صور للتدريب و4 للتحقق. هذه المجموعة مثالية لاختبار وتصحيح نماذج التجزئة، أو لتجربة أساليب اكتشاف جديدة. وبفضل صغر حجمها (8 صور)، فهي سهلة الإدارة ومتنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثاً عن أي أخطاء، كما تعمل كفحص سلامة قبل البدء بتدريب مجموعات بيانات أكبر.

Link to this sectionهيكل مجموعة البيانات#

• الصور: 8 إجمالاً (4 للتدريب / 4 للتحقق).
• الفئات: 80 فئة من فئات COCO.
• التسميات: مضلعات بتنسيق YOLO مخزنة تحت labels/{train,val} وتطابق كل ملف صورة.
• حجم التنزيل: ~1 ميجابايت.

استكشف COCO8-Seg على منصة Ultralytics لتصفح كل صورة مع أقنعتها المضلعة (polygon masks)، وعرض توزيع الفئات والخرائط الحرارية للتعليقات التوضيحية في علامة تبويب Charts، واستنساخها لتدريب نموذجك الخاص في السحابة.

Link to this sectionYAML مجموعة البيانات#

يُستخدم ملف YAML لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، ومعلومات أخرى ذات صلة. وفي حالة مجموعة بيانات COCO8-Seg، يتم الاحتفاظ بملف coco8-seg.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zip

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO8-Seg لمدة 100 حقبة بحجم صورة 640، يمكنك استخدام مقتطفات الكود 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="coco8-seg.yaml", epochs=100, imgsz=640)

Link to this sectionصور وشروحات توضيحية عينة#

فيما يلي بعض الأمثلة للصور من مجموعة بيانات COCO8-Seg، إلى جانب التعليقات التوضيحية المقابلة لها:

• 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.

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 COCO8-Seg، وكيف يتم استخدامها في Ultralytics YOLO26؟#

مجموعة بيانات COCO8-Seg هي مجموعة بيانات تجزئة مثيلات (instance segmentation) مدمجة من Ultralytics، تتكون من أول 8 صور من مجموعة COCO train 2017 (4 للتدريب، و4 للتحقق). صُممت مجموعة البيانات هذه خصيصاً لاختبار وتصحيح نماذج التجزئة أو تجربة طرق اكتشاف جديدة. وهي مفيدة بشكل خاص مع Ultralytics YOLO26 للتكرار السريع والتحقق من أخطاء خط الأنابيب (pipeline) قبل التوسع إلى مجموعات بيانات أكبر. للاستخدام المفصل، راجع صفحة Training للنموذج.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26n-seg باستخدام مجموعة بيانات COCO8-Seg؟#

لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO8-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="coco8-seg.yaml", epochs=100, imgsz=640)

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

Link to this sectionلماذا تعد مجموعة بيانات COCO8-Seg مهمة لتطوير النماذج وتصحيح أخطائها؟#

بما أن حلقة التنزيل والتدريب/التحقق أصغر بكثير من مجموعة COCO الكاملة، فإن COCO8-Seg تتيح لك تشغيل دورة تدريب وتحقق لاكتشاف أخطاء خط الأنابيب — مثل أداة تحميل بيانات معطلة، أو دالة خسارة (loss) غير مهيأة بشكل صحيح، أو زيادة بيانات (augmentation) خاطئة — قبل الالتزام بمجموعة بيانات أكبر. اعرف المزيد عن تنسيقات مجموعات البيانات المدعومة في دليل مجموعات بيانات التجزئة من Ultralytics.

Link to this sectionأين يمكنني العثور على ملف إعدادات YAML لمجموعة بيانات COCO8-Seg؟#

يتوفر ملف إعدادات YAML الخاص بـ مجموعة بيانات COCO8-Seg في مستودع Ultralytics. يمكنك الوصول إلى الملف مباشرة عبر الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. يحتوي ملف YAML على معلومات أساسية حول مسارات مجموعة البيانات، والفئات، وإعدادات الضبط المطلوبة لتدريب النماذج والتحقق منها.

Link to this sectionكيف تقارن COCO8-Seg بـ COCO128-Seg ومجموعة بيانات COCO-Seg الكاملة؟#

تأتي COCO8-Seg (8 صور) في مرتبة أدنى من COCO128-Seg (128 صورة) ومجموعة بيانات COCO-Seg الكاملة (118,287 صورة تدريب) من حيث الحجم:

• COCO8-Seg: 8 صور (4 للتدريب، 4 للتحقق) — أسرع فحص للمنطق (sanity check)، مثالية لـ CI والتصحيح السريع.
• 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.

استخدم COCO8-Seg للحصول على أسرع فحص ممكن لخط الأنابيب، ثم انتقل إلى COCO128-Seg أو مجموعة بيانات COCO-Seg الكاملة مع زيادة مستوى ثقتك.