مجموعة بيانات ADE20K#
مجموعة بيانات ADE20K هي معيار واسع النطاق لـالتجزئة الدلالية من MIT CSAIL، وتضم 20,210 صورة تدريب و2,000 صورة تحقق موسومة بكثافة عبر 150 فئة داخلية وخارجية وفئات للأجسام والعناصر غير المنفصلة. وهي مورد معياري لتدريب نماذج فهم المشاهد الكثيف وتقييمها باستخدام Ultralytics YOLO.
الميزات الرئيسية#
- يبلغ إجمالي صور معيار SceneParsing الكامل لـADE20K عدد 25,562 صورة: 20,210 للتدريب، و2,000 للتحقق، و3,352 للاختبار. ولا تُنشر التعليقات التوضيحية لصور الاختبار، لذا يقتصر أرشيف التنزيل
ADEChallengeData2016وإعداد Ultralyticsade20k.yamlعلى تقسيمي التدريب والتحقق. - تغطي مجموعة البيانات 150 فئة دلالية تشمل فئات الأماكن الداخلية والخارجية والأشياء والعناصر غير الكائنية.
- تتضمن التعليقات التوضيحية أقنعة تجزئة كثيفة على مستوى البكسل، ملائمة لتحليل المشاهد.
بنية مجموعة البيانات#
يتوقع إعداد Ultralytics بنية المجلدات الرسمية ADEChallengeData2016:
ADEChallengeData2016/
├── images/
│ ├── training/
│ └── validation/
└── annotations/
├── training/
└── validation/لا يتوفر لـ ADE20K برنامج نصي للتنزيل التلقائي. نزّل أرشيف ADEChallengeData2016.zip بحجم ~1 GB واستخرجه مباشرةً في مجلد datasets/. اسم المجلد الأعلى مستوى داخل الأرشيف هو بالفعل ADEChallengeData2016/، لذا سينتج عن ذلك datasets/ADEChallengeData2016/ المطابق للبنية أعلاه — لا تنشئ بنفسك مجلد ADEChallengeData2016 وتستخرج الأرشيف بداخله، وإلا فسينتهي بك الأمر إلى دليل متداخل datasets/ADEChallengeData2016/ADEChallengeData2016/ لن يعثر عليه ملف YAML.
يُضبط الحقل masks_dir على annotations، لذا تقترن كل صورة ضمن images/ بالقناع المقابل لها ضمن annotations/. تستخدم أقنعة ADE20K الأصلية معرّفات تسميات المصدر حيث يُتجاهل 0، ويحوّل قسم label_mapping التسميات الصالحة من 1 إلى 150 إلى معرّفات تدريب متتابعة من 0 إلى 149، مع تعيين وحدات البكسل المتجاهلة إلى 255.
التطبيقات#
يُستخدم ADE20K على نطاق واسع لتدريب نماذج التعلم العميق وتقييمها في مهام التجزئة الدلالية وتحليل المشاهد. ويجعل تنوع فئاته وتعقيد مشاهده منه موردًا قيّمًا لتطبيقات مثل الملاحة الذاتية والروبوتات والواقع المعزز وتحرير الصور.
كما يجعل اتساع نطاق المشاهد الداخلية والخارجية من ADE20K معيارًا قويًا لتقييم قدرة النماذج على التعميم عبر المجالات. تحقق نماذج YOLO26 المدربة مسبقًا للتجزئة الدلالية ما يصل إلى 51.5 mIoU على مجموعة التحقق من ADE20K — راجع صفحة نماذج التجزئة الدلالية للاطلاع على جدول المعايير الكامل. كما تتوافق مجموعات البيانات بتنسيق ADE20K بالكامل مع منصة Ultralytics لإدارة مجموعات البيانات والتدريب.
ملف YAML لمجموعة البيانات#
يحدد ملف YAML لمجموعة البيانات مسارات ADE20K والفئات ودليل الأقنعة وتعيين التسميات. ويُصان 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-ade20k.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 640، يمكنك استخدام مقتطفات الشيفرة التالية. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.
from ultralytics import YOLO
# تحميل نموذج
model = YOLO("yolo26n-sem-ade20k.pt") # تحميل نموذج مُدرّب مسبقًا على ADE20K (موصى به للتدريب)
# تدريب النموذج
results = model.train(data="ade20k.yaml", epochs=100, imgsz=640)الاستشهادات والترخيص والشكر#
تُتاح صور ADE20K للاستخدام في الأبحاث والتعليم غير التجاريين فقط؛ أما برنامج التعليقات التوضيحية لمجموعة البيانات فمرخّص بشكل منفصل بموجب BSD-3. ويتطلب الاستخدام التجاري إذنًا من MIT CSAIL.
إذا استخدمت مجموعة بيانات ADE20K في أبحاثك أو أعمال التطوير، فيُرجى 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 نعرب عن تقديرنا لمجموعة الرؤية الحاسوبية في MIT CSAIL لإنشائها هذا المورد القيّم لمجتمع الرؤية الحاسوبية وصيانته. لمزيد من المعلومات عن مجموعة بيانات ADE20K والقائمين عليها، تفضّل بزيارة موقع مجموعة بيانات ADE20K.
الأسئلة الشائعة#
مجموعة بيانات ADE20K هي معيار واسع النطاق لتحليل المشاهد يُستخدم في التجزئة الدلالية، وتضم 20,210 صورة تدريب و2,000 صورة تحقق منشورة للعامة، موزعة على 150 فئة تشمل الأماكن الداخلية والخارجية والأشياء والعناصر غير الكائنية. يستخدم الباحثون ADE20K لما تتسم به من تنوع المشاهد ودقة الفئات ومقاييس التقييم المعيارية مثل متوسط التقاطع على الاتحاد (mIoU)، ما يجعلها مثالية لاختبار نماذج التنبؤ الكثيف.
لتدريب نموذج YOLO26n-sem على مجموعة بيانات ADE20K لمدة 100 حقبة وبحجم صورة 640، يمكنك استخدام مقتطفات الشيفرة التالية. للاطلاع على قائمة مفصلة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.
مثال على التدريبfrom ultralytics import YOLO # تحميل نموذج model = YOLO("yolo26n-sem-ade20k.pt") # تحميل نموذج مُدرّب مسبقًا على ADE20K (موصى به للتدريب) # تدريب النموذج results = model.train(data="ade20k.yaml", epochs=100, imgsz=640)تتبع مجموعة بيانات ADE20K بنية المجلدات الرسمية ADEChallengeData2016، إذ تُنظم الصور ضمن
images/training/وimages/validation/، بينما توجد الأقنعة المقابلة ضمنannotations/training/وannotations/validation/. يقرن ملف YAML الخاص بـ Ultralytics كل صورة بالقناع المقابل باستخدام الحقلmasks_dir: annotations، ويستخدمlabel_mappingلتحويل معرّفات تسميات المصدر من1–150إلى معرّفات تدريب متتابعة من0–149، مع تعيين تسمية التجاهل إلى255.نعم. نزّل أرشيف
ADEChallengeData2016.zip(~1 GB) واستخرجه مباشرةً في مجلدdatasets/قبل التدريب — اسم المجلد الأعلى مستوى داخل الأرشيف هو بالفعلADEChallengeData2016/، لذا فإن استخراجه هناك (وليس في مجلد منفصلADEChallengeData2016تنشئه بنفسك) ينتج بنيةimages/وannotations/التي يتوقعهاade20k.yaml.تخزّن أقنعة التعليقات التوضيحية لـ ADE20K معرّفات تسميات المصدر، حيث يشير
0إلى فئة التجاهل أو الخلفية. يعيّن قسمlabel_mappingالتسميات الصالحة من1إلى150إلى معرّفات تدريب متتابعة من0إلى149، ويعيّن255إلى وحدات البكسل المتجاهلة لاستبعادها من حساب الخسارة والمقاييس أثناء التدريب والتحقق.لا. تُتاح صور ADE20K بموجب شروط تقصر استخدامها على الأبحاث والتعليم غير التجاريين؛ أما برنامج التعليقات التوضيحية المرفق فمرخّص بشكل منفصل بموجب BSD-3. تواصل مع MIT CSAIL للاستفسار عن خيارات الترخيص التجاري.