مجموعة بيانات ADE20K#
مجموعة بيانات ADE20K هي معيار للتجزئة الدلالية واسع النطاق من مختبر علوم الكمبيوتر والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (MIT CSAIL) وتتضمن 20,210 صورة تدريب و2,000 صورة تحقق مع تعليقات توضيحية كثيفة موزعة على 150 فئة للمواطن الداخلية والخارجية والكائنات والأشياء غير المحددة. إنها مورد قياسي لتدريب وتقييم نماذج فهم المشاهد الكثيفة باستخدام Ultralytics YOLO.
الميزات الرئيسية#
- يبلغ إجمالي صور معيار تحليل المشاهد الكامل في ADE20K 25,562 صورة: 20,210 للتدريب، و2,000 للتحقق، و3,352 للاختبار. تعليقات صور الاختبار غير منشورة علناً، لذا فإن أرشيف
ADEChallengeData2016القابل للتنزيل وتكوين Ultralyticsade20k.yamlيستخدمان فقط مجموعتي التدريب والتحقق. - تغطي مجموعة البيانات 150 فئة دلالية تشمل فئات الأماكن الداخلية والخارجية والأشياء والعناصر.
- التعليقات التوضيحية عبارة عن أقنعة تجزئة كثيفة على مستوى البكسل مناسبة لتحليل المشاهد.
هيكل مجموعة البيانات#
يتوقع إعداد Ultralytics تخطيط ADEChallengeData2016 الرسمي:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/لا تحتوي مجموعة بيانات ADE20K على نص برمجي لتنزيل تلقائي. قم بتنزيل أرشيف ADEChallengeData2016.zip الذي يبلغ حجمه حوالي 1 جيجابايت واستخرجه مباشرة في مجلد datasets/ الخاص بك. المجلد الرئيسي للأرشيف مسمى بالفعل ADEChallengeData2016/، لذا ينتج عن ذلك تخطيط datasets/ADEChallengeData2016/ المطابق لما سبق - لا تقم بإنشاء مجلد ADEChallengeData2016 بنفسك والاستخراج بداخله، وإلا ستنتهي بوجود دليل متداخل datasets/ADEChallengeData2016/ADEChallengeData2016/ لن يعثر عليه ملف YAML.
تم تعيين حقل masks_dir إلى annotations، بحيث يتم إقران كل صورة أسفل images/ بقناعها المقابل أسفل annotations/. تستخدم أقنعة ADE20K الأصلية معرفات تسميات المصدر حيث يتم تجاهل 0، ويقوم قسم label_mapping بتحويل التسميات الصالحة من 1 إلى 150 إلى معرّفات تدريب متجاورة من 0 إلى 149، مع تعيين وحدات البكسل المُتجاهلة إلى 255.
التطبيقات#
تُستخدم مجموعة بيانات ADE20K على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في التجزئة الدلالية وتحليل المشاهد. تجعلها مجموعتها المتنوعة من الفئات ومشاهدها المعقدة ذات قيمة لتطبيقات مثل الملاحة الذاتية، والروبوتات، والواقع المعزز، وتعديل الصور.
كما يجعل اتساع المشاهد الداخلية والخارجية من ADE20K معياراً قوياً لتقييم تعميم النموذج عبر النطاقات المختلفة. تصل نماذج التجزئة الدلالية المسبقة التدريب من YOLO26 إلى ما يصل إلى 51.5 من تقييم mIoU على مجموعة التحقق لـ ADE20K - راجع صفحة نماذج التجزئة الدلالية للاطلاع على جدول المعايير الكامل. تتوفر أيضاً توافقية تامة لمجموعات البيانات بصيغة ADE20K مع منصة Ultralytics لإدارة مجموعات البيانات والتدريب.
YAML مجموعة البيانات#
يُعرف ملف YAML الخاص بمجموعة البيانات مسارات ADE20K، والفئات، ودليل الأقنعة، وتعيين التسميات. يتم الاحتفاظ بملف ade20k.yaml على الرابط 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): http://data.csail.mit.edu/places/ADEchallenge/ADEChallengeData2016.zipالاستخدام#
لتدريب نموذج YOLO26n-sem على مجموعة بيانات ADE20K لمدة 100 حقبة تدريبية بحجم صورة يبلغ 512، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.
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، والتقديرات#
تم إصدار صور ADE20K للاستخدام البحثي والتعليمي غير التجاري فقط؛ وبرنامج التعليقات التوضيحية الخاص بمجموعة البيانات مرخص بشكل منفصل بموجب رخصة BSD-3. يتطلب الاستخدام التجاري إذناً من مختبر MIT CSAIL.
إذا كنت تستخدم مجموعة بيانات ADE20K في عملك البحثي أو التطويري، فيرجى الاستشهاد بالورقة البحثية 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 أن نشكر مجموعة الرؤية الحاسوبية في مختبر MIT CSAIL لإنشائها والحفاظ على هذا المورد القيم لمجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات ADE20K ومبتكريها، تفضل بزيارة موقع مجموعة بيانات ADE20K.
الأسئلة الشائعة#
مجموعة بيانات ADE20K هي معيار واسع النطاق لتحليل المشاهد يُستخدم للتجزئة الدلالية، مع إصدار 20,210 صورة تدريب و2,000 صورة تحقق علناً عبر 150 فئة تغطي الفئات الداخلية والخارجية والكائنات والأشياء غير المحددة. يستخدم الباحثون مجموعة ADE20K نظراً لمشاهدها المتنوعة، ومجموعة فئاتها الدقيقة، ومقاييس التقييم المعيارية مثل متوسط التقاطع فوق الاتحاد (mIoU)، مما يجعلها مثالية لتقييم نماذج التنبؤ الكثيف.
لتدريب نموذج YOLO26n-sem على مجموعة بيانات ADE20K لمدة 100 حقبة تدريبية بحجم صورة يبلغ 512، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة مفصلة بالوسائط المتاحة، راجع صفحة تدريب النموذج.
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 تخطيط ADEChallengeData2016 الرسمي، حيث يتم تنظيم الصور تحت
images/training/وimages/validation/، والأقنعة المقابلة تحتannotations/training/وannotations/validation/. يقوم ملف Ultralytics YAML بإقران كل صورة بقناعها عبر حقلmasks_dir: annotations، ويستخدمlabel_mappingلتحويل معرفات تسميات المصدر من1إلى150إلى معرّفات تدريب متجاورة من0إلى149، مع تعيين تسمية التجاهل إلى255.نعم. قم بتنزيل أرشيف
ADEChallengeData2016.zip(حوالي 1 جيجابايت) واستخرجه مباشرة في مجلدdatasets/الخاص بك قبل التدريب - المجلد الرئيسي للأرشيف مسمى بالفعلADEChallengeData2016/، لذا فإن استخراجه هناك (وليس في مجلد منفصلADEChallengeData2016تقوم بإنشائه بنفسك) ينتج عنه تخطيطimages/وannotations/الذي يتوقعهade20k.yaml.تخزن أقنعة التعليقات التوضيحية لـ ADE20K معرفات تسميات المصدر حيث يشير
0إلى فئة التجاهل أو الخلفية. يقوم قسمlabel_mappingبتعيين التسميات الصالحة من1إلى150إلى معرّفات تدريب متجاورة من0إلى149، ويقوم تعيين255لوحدات البكسل المُتجاهلة حتى يتم استبعادها من الخسارة والمقاييس أثناء التدريب والتحقق.لا. يتم إصدار صور ADE20K بموجب شروط تقصر الاستخدام على البحث والتعليم غير التجاري؛ وبرنامج التعليقات التوضيحية المصاحب مرخص بشكل منفصل بموجب رخصة BSD-3. اتصل بمختبر MIT CSAIL لمعرفة خيارات الترخيص التجاري.