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.

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics Platform و YOLO26.

Link to this sectionYAML مجموعة البيانات#

يتم استخدام ملف YAML (Yet Another Markup Language) لتحديد إعدادات مجموعة البيانات. يحتوي الملف على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. وفي حالة مجموعة بيانات COCO8-Seg، يتم الاحتفاظ بملف coco8-seg.yaml في الرابط 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.

يوضح المثال تنوع وتعقيد الصور في مجموعة بيانات COCO8-Seg وفوائد استخدام تقنية التجميع (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 COCO8-Seg، وكيف يتم استخدامها في Ultralytics YOLO26؟#

تعد مجموعة بيانات COCO8-Seg مجموعة بيانات مدمجة لتجزئة المثيلات من Ultralytics، وتتكون من أول 8 صور من مجموعة COCO train 2017—بواقع 4 صور للتدريب و4 للتحقق. صُممت هذه المجموعة خصيصاً لاختبار وتصحيح نماذج التجزئة أو تجربة أساليب اكتشاف جديدة. وهي مفيدة بشكل خاص مع Ultralytics YOLO26 و Platform للتكرار السريع وفحص أخطاء خطوط الأنابيب قبل الانتقال إلى مجموعات بيانات أكبر. لمزيد من التفاصيل حول الاستخدام، راجع صفحة التدريب الخاصة بالنموذج.

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؟#

تُقدم COCO8-Seg dataset مجموعة مدمجة ومتنوعة مكونة من 8 صور، مما يجعلها مثالية للاختبار السريع وتصحيح أخطاء نماذج التجزئة أو تجربة تقنيات اكتشاف جديدة. يسمح حجمها الصغير بإجراء فحوصات منطقية سريعة والتحقق المبكر من مسار العمل (pipeline)، مما يساعد في تحديد المشكلات قبل الانتقال إلى مجموعات بيانات أكبر. تعرف على المزيد حول تنسيقات البيانات المدعومة في Ultralytics segmentation dataset guide.

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 sectionما هي فوائد استخدام تقنية التجميع (mosaicing) أثناء التدريب باستخدام مجموعة بيانات COCO8-Seg؟#

يساعد استخدام التجميع (mosaicing) أثناء التدريب في زيادة تنوع واختلاف الكائنات والمشاهد في كل دفعة تدريب. تدمج هذه التقنية صوراً متعددة في صورة مركبة واحدة، مما يعزز قدرة النموذج على التعميم لمختلف أحجام الكائنات، ونسب العرض إلى الارتفاع، والسياقات داخل المشهد. يعد التجميع مفيداً لتحسين قوة النموذج والدقة، خاصة عند العمل مع مجموعات بيانات صغيرة مثل COCO8-Seg. للحصول على مثال للصور المجمعة، راجع قسم عينات الصور والتعليقات التوضيحية.