مجموعة بيانات ADE20K#
مجموعة بيانات ADE20K هي معيار مرجعي واسع النطاق لـالتقسيم الدلالي من MIT CSAIL، وتضم 20,210 صورة للتدريب و2,000 صورة للتحقق، مع ترميز كثيف عبر 150 فئة تشمل الفئات الداخلية والخارجية والكائنات والأشياء. وهي مورد قياسي لتدريب نماذج فهم المشاهد الكثيفة وتقييمها باستخدام Ultralytics YOLO.
الميزات الرئيسية#
- يضم معيار SceneParsing الكامل لمجموعة ADE20K ما مجموعه 25,562 صورة: 20,210 للتدريب، و2,000 للتحقق، و3,352 للاختبار. لا تُنشر تعليقات صور الاختبار للعامة، ولذلك يستخدم أرشيف
ADEChallengeData2016القابل للتنزيل وملف إعدادات Ultralyticsade20k.yamlتقسيمي التدريب والتحقق فقط. - تغطي مجموعة البيانات 150 فئة دلالية تشمل الفئات الداخلية والخارجية والكائنات والأشياء.
- تتكون التعليقات التوضيحية من أقنعة تقسيم كثيفة على مستوى البكسل، وهي مناسبة لتحليل المشاهد.
بنية مجموعة البيانات#
يتوقع إعداد Ultralytics بنية ADEChallengeData2016 الرسمية:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/لا يتوفر لمجموعة ADE20K برنامج نصي للتنزيل التلقائي. نزّل أرشيف ADEChallengeData2016.zip بحجم ~1 GB واستخرجه مباشرةً إلى مجلد datasets/. يحمل المجلد الأعلى في الأرشيف اسم ADEChallengeData2016/ مسبقًا، ولذلك سينتج عن ذلك المسار datasets/ADEChallengeData2016/ المطابق للبنية أعلاه — لا تنشئ مجلد ADEChallengeData2016 بنفسك وتستخرج الأرشيف إليه، وإلا فسينتهي بك الأمر إلى مجلد متداخل باسم datasets/ADEChallengeData2016/ADEChallengeData2016/ لن يعثر عليه ملف YAML.
تُضبط قيمة الحقل masks_dir على annotations، ولذلك تُقرن كل صورة ضمن images/ بقناعها المقابل ضمن annotations/. تستخدم أقنعة ADE20K الأصلية معرّفات تسميات مصدرية، حيث تكون القيمة 0 متجاهلة، ويحوّل قسم label_mapping التسميات الصالحة من 1 إلى 150 إلى معرّفات تدريب متتالية من 0 إلى 149، مع تعيين البكسلات المتجاهلة إلى 255.
التطبيقات#
تُستخدم ADE20K على نطاق واسع لتدريب نماذج التعلم العميق وتقييمها في التقسيم الدلالي وتحليل المشاهد. وتجعل مجموعتها المتنوعة من الفئات ومشاهدها المعقدة منها موردًا قيّمًا لتطبيقات مثل الملاحة الذاتية والروبوتات والواقع المعزز وتحرير الصور.
كما يجعل اتساع نطاق المشاهد الداخلية والخارجية من ADE20K معيارًا قويًا لتقييم تعميم النماذج عبر المجالات. تصل نماذج YOLO26 المدرّبة مسبقًا للتقسيم الدلالي إلى 51.5 mIoU كحد أقصى على مجموعة التحقق من ADE20K — راجع صفحة نماذج التقسيم الدلالي للاطلاع على جدول المعايير الكامل. كما تتوافق مجموعات البيانات بتنسيق ADE20K بالكامل مع Ultralytics Platform لإدارة مجموعات البيانات والتدريب.
YAML مجموعة البيانات#
يحدد ملف YAML لمجموعة البيانات مسارات ADE20K وفئاتها ومجلد الأقنعة وتعيين التسميات. ويُحافَظ على الملف ade20k.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/ade20k.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# ADE20K semantic segmentation dataset (150 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/ade20k
# Example usage: yolo semantic train data=ade20k.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
# └── ADEChallengeData2016 ← downloads here (1 GB)
# └── images
# └── annotations
# Dataset root directory
path: ADEChallengeData2016
train: images/training
val: images/validation
masks_dir: annotations # semantic mask directory
# ADE20K 150-class labels
names:
0: wall
1: building
2: sky
3: floor
4: tree
5: ceiling
6: road
7: bed
8: windowpane
9: grass
10: cabinet
11: sidewalk
12: person
13: earth
14: door
15: table
16: mountain
17: plant
18: curtain
19: chair
20: car
21: water
22: painting
23: sofa
24: shelf
25: house
26: sea
27: mirror
28: rug
29: field
30: armchair
31: seat
32: fence
33: desk
34: rock
35: wardrobe
36: lamp
37: bathtub
38: railing
39: cushion
40: base
41: box
42: column
43: signboard
44: chest of drawers
45: counter
46: sand
47: sink
48: skyscraper
49: fireplace
50: refrigerator
51: grandstand
52: path
53: stairs
54: runway
55: case
56: pool table
57: pillow
58: screen door
59: stairway
60: river
61: bridge
62: bookcase
63: blind
64: coffee table
65: toilet
66: flower
67: book
68: hill
69: bench
70: countertop
71: stove
72: palm
73: kitchen island
74: computer
75: swivel chair
76: boat
77: bar
78: arcade machine
79: hovel
80: bus
81: towel
82: light
83: truck
84: tower
85: chandelier
86: awning
87: streetlight
88: booth
89: television receiver
90: airplane
91: dirt track
92: apparel
93: pole
94: land
95: bannister
96: escalator
97: ottoman
98: bottle
99: buffet
100: poster
101: stage
102: van
103: ship
104: fountain
105: conveyor belt
106: canopy
107: washer
108: plaything
109: swimming pool
110: stool
111: barrel
112: basket
113: waterfall
114: tent
115: bag
116: minibike
117: cradle
118: oven
119: ball
120: food
121: step
122: tank
123: trade name
124: microwave
125: pot
126: animal
127: bicycle
128: lake
129: dishwasher
130: screen
131: blanket
132: sculpture
133: hood
134: sconce
135: vase
136: traffic light
137: tray
138: ashcan
139: fan
140: pier
141: crt screen
142: plate
143: monitor
144: bulletin board
145: shower
146: radiator
147: glass
148: clock
149: flag
# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
0: ignore_label
1: 0
2: 1
3: 2
4: 3
5: 4
6: 5
7: 6
8: 7
9: 8
10: 9
11: 10
12: 11
13: 12
14: 13
15: 14
16: 15
17: 16
18: 17
19: 18
20: 19
21: 20
22: 21
23: 22
24: 23
25: 24
26: 25
27: 26
28: 27
29: 28
30: 29
31: 30
32: 31
33: 32
34: 33
35: 34
36: 35
37: 36
38: 37
39: 38
40: 39
41: 40
42: 41
43: 42
44: 43
45: 44
46: 45
47: 46
48: 47
49: 48
50: 49
51: 50
52: 51
53: 52
54: 53
55: 54
56: 55
57: 56
58: 57
59: 58
60: 59
61: 60
62: 61
63: 62
64: 63
65: 64
66: 65
67: 66
68: 67
69: 68
70: 69
71: 70
72: 71
73: 72
74: 73
75: 74
76: 75
77: 76
78: 77
79: 78
80: 79
81: 80
82: 81
83: 82
84: 83
85: 84
86: 85
87: 86
88: 87
89: 88
90: 89
91: 90
92: 91
93: 92
94: 93
95: 94
96: 95
97: 96
98: 97
99: 98
100: 99
101: 100
102: 101
103: 102
104: 103
105: 104
106: 105
107: 106
108: 107
109: 108
110: 109
111: 110
112: 111
113: 112
114: 113
115: 114
116: 115
117: 116
118: 117
119: 118
120: 119
121: 120
122: 121
123: 122
124: 123
125: 124
126: 125
127: 126
128: 127
129: 128
130: 129
131: 130
132: 131
133: 132
134: 133
135: 134
136: 135
137: 136
138: 137
139: 138
140: 139
141: 140
142: 141
143: 142
144: 143
145: 144
146: 145
147: 146
148: 147
149: 148
150: 149
# Download URL (manual): https://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipالاستخدام#
لتدريب نموذج YOLO26n-sem على مجموعة بيانات ADE20K لمدة 100 حقبة وبحجم صورة يبلغ 512، 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-sem.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)الاقتباسات والترخيص والشكر#
تُتاح صور ADE20K من أجل البحث غير التجاري والاستخدام التعليمي فقط؛ ويخضع برنامج التعليقات التوضيحية لمجموعة البيانات لترخيص منفصل بموجب BSD-3. يتطلب الاستخدام التجاري إذنًا من MIT CSAIL.
إذا استخدمت مجموعة بيانات ADE20K في أعمالك البحثية أو التطويرية، فيُرجى الاستشهاد بالورقة التالية:
@inproceedings{zhou2017scene,
title={Scene Parsing through ADE20K Dataset},
author={Zhou, Bolei and Zhao, Hang and Puig, Xavier and Fidler, Sanja and Barriuso, Adela and Torralba, Antonio},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
year={2017}
}نود توجيه الشكر إلى مجموعة رؤية الحاسوب في MIT CSAIL لإنشائها هذا المورد القيّم لمجتمع رؤية الحاسوب والحفاظ عليه. لمزيد من المعلومات حول مجموعة بيانات ADE20K ومنشئيها، تفضل بزيارة موقع مجموعة بيانات ADE20K.
الأسئلة الشائعة#
مجموعة بيانات ADE20K هي معيار مرجعي واسع النطاق لتحليل المشاهد، ويُستخدم في التقسيم الدلالي، ويضم 20,210 صورة تدريب و2,000 صورة تحقق منشورة للعامة عبر 150 فئة تغطي الفئات الداخلية والخارجية والكائنات والأشياء. يستخدم الباحثون ADE20K بفضل تنوع مشاهدها ومجموعة فئاتها الدقيقة ومقاييس التقييم المعيارية مثل متوسط التقاطع على الاتحاد (mIoU)، مما يجعلها مثالية لوضع معايير لنماذج التنبؤ الكثيف.
لتدريب نموذج YOLO26n-sem على مجموعة بيانات ADE20K لمدة 100 حقبة وبحجم صورة يبلغ 512، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة مفصلة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.
مثال على التدريبfrom ultralytics import YOLO # Load a model model = YOLO("yolo26n-sem.pt") # load a pretrained model (recommended for training) # Train the model results = model.train(data="ade20k.yaml", epochs=100, imgsz=512)تتبع مجموعة بيانات ADE20K بنية ADEChallengeData2016 الرسمية، إذ تُنظَّم الصور ضمن
images/training/وimages/validation/، بينما توجد الأقنعة المقابلة ضمنannotations/training/وannotations/validation/. يقرن ملف YAML الخاص بـ Ultralytics كل صورة بقناعها عبر الحقلmasks_dir: annotations، ويستخدمlabel_mappingلتحويل معرّفات التسميات المصدرية1–150إلى معرّفات تدريب متتالية0–149، مع تعيين تسمية التجاهل إلى255.نعم. نزّل أرشيف
ADEChallengeData2016.zip(بحجم ~1 GB) واستخرجه مباشرةً إلى مجلدdatasets/قبل التدريب — يحمل المجلد الأعلى في الأرشيف اسمADEChallengeData2016/مسبقًا، ولذلك يؤدي استخراجه هناك (وليس داخل مجلد منفصل باسمADEChallengeData2016تنشئه بنفسك) إلى إنتاج بنيةimages/وannotations/التي يتوقعهاade20k.yaml.تخزّن أقنعة التعليقات التوضيحية في ADE20K معرّفات تسميات مصدرية، حيث تشير
0إلى فئة التجاهل أو الخلفية. ويحوّل قسمlabel_mappingالتسميات الصالحة من1إلى150إلى معرّفات تدريب متتالية من0إلى149، ويعيّن255إلى البكسلات المتجاهلة لاستبعادها من الخسارة والمقاييس أثناء التدريب والتحقق.لا. تُتاح صور ADE20K بموجب شروط تقصر الاستخدام على البحث والتعليم غير التجاريين؛ ويخضع برنامج التعليقات التوضيحية المرافق لترخيص منفصل بموجب BSD-3. تواصل مع MIT CSAIL لمعرفة خيارات الترخيص التجاري.