مجموعة بيانات Cityscapes8#
مقدمة#
مجموعة بيانات Ultralytics Cityscapes8 هي مجموعة بيانات مدمجة لـالتجزئة الدلالية، وتضم 8 صور مقتطفة من مجموعة بيانات Cityscapes: 4 للتدريب و4 للتحقق. وقد صُممت للاختبار السريع وتصحيح الأخطاء وإجراء التجارب على نماذج وخطوط أنابيب التجزئة الدلالية في YOLO. ويوفر محتواها المتمثل في المشاهد الحضرية فحصًا مفيدًا لخط أنابيب المعالجة قبل التوسع إلى مجموعة بيانات Cityscapes الكاملة.
تستخدم Cityscapes8 فئات التقييم التسع عشرة نفسها والسلوك نفسه لـlabel_mapping المطبق في مجموعة بيانات Cityscapes الكاملة، وهي متوافقة بالكامل مع سير عمل التجزئة الدلالية في YOLO26.
تُستخدم Cityscapes8 لاختبار خطوط الأنابيب فقط، وليس لإجراء المقارنات المعيارية — إذ إن صورها الثماني قليلة جدًا لإجراء مقارنة ذات دلالة باستخدام mIoU. استخدم مجموعة التحقق الكاملة من Cityscapes للحصول على نتائج تمثيلية.
بنية مجموعة البيانات#
تحاكي Cityscapes8 تخطيط مجموعة البيانات الكاملة، من دون تقسيم test:
cityscapes8/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── masks/
├── train/ # 4 single-channel PNG masks
└── val/ # 4 single-channel PNG masksتُقرن الأقنعة بالصور عبر الحقل masks_dir: masks، ويحوّل label_mapping معرّفات تسميات Cityscapes المصدرية إلى معرّفات التدريب المتصلة التسعة عشر الموضحة في بنية مجموعة بيانات Cityscapes الكاملة.
YAML مجموعة البيانات#
يُحدَّد إعداد مجموعة بيانات Cityscapes8 في ملف YAML لمجموعة البيانات، الذي يحدد مسارات مجموعة البيانات وأسماء الفئات وغيرها من البيانات الوصفية الأساسية. يمكنك مراجعة ملف cityscapes8.yaml الرسمي في مستودع Ultralytics على GitHub. ويتضمن ملف YAML عنوان URL للتنزيل الخاص بالمجموعة الفرعية المعبأة الصغيرة.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
# └── cityscapes8 ← downloads here (small subset)
# └── images
# └── masks
# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
masks_dir: masks # semantic mask directory
# Cityscapes 19-class labels
names:
0: road
1: sidewalk
2: building
3: wall
4: fence
5: pole
6: traffic light
7: traffic sign
8: vegetation
9: terrain
10: sky
11: person
12: rider
13: car
14: truck
15: bus
16: train
17: motorcycle
18: bicycle
# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
-1: ignore_label
0: ignore_label
1: ignore_label
2: ignore_label
3: ignore_label
4: ignore_label
5: ignore_label
6: ignore_label
7: 0
8: 1
9: ignore_label
10: ignore_label
11: 2
12: 3
13: 4
14: ignore_label
15: ignore_label
16: ignore_label
17: 5
18: ignore_label
19: 6
20: 7
21: 8
22: 9
23: 10
24: 11
25: 12
26: 13
27: 14
28: 15
29: ignore_label
30: ignore_label
31: 16
32: 17
33: 18
# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zipالاستخدام#
لتدريب نموذج YOLO26n-sem على مجموعة بيانات Cityscapes8 لمدة 100 حقبة وبحجم صور يبلغ 1024، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع وثائق تدريب YOLO.
from ultralytics import YOLO
# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")
# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)يمكنك أيضًا إدارة Cityscapes8 وتدريب نماذج التجزئة الدلالية في السحابة باستخدام Ultralytics Platform.
الاقتباسات والترخيص والشكر#
أُخذت Cityscapes8 من Cityscapes، التي تُطرح بموجب ترخيص مخصص غير تجاري — راجع صفحة مجموعة بيانات Cityscapes الكاملة للاطلاع على التفاصيل.
إذا استخدمت مجموعة بيانات Cityscapes في بحثك أو تطويرك، يُرجى الاستشهاد بالورقة التالية:
@inproceedings{Cordts2016Cityscapes,
title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
year={2016}
}خالص الشكر إلى فريق Cityscapes على إسهاماته المتواصلة في مجتمعي القيادة الذاتية والرؤية الحاسوبية.
الأسئلة الشائعة#
صُممت مجموعة بيانات Ultralytics Cityscapes8 للاختبار السريع وتصحيح أخطاء نماذج التجزئة الدلالية. وبفضل اقتصارها على 8 صور فقط (4 للتدريب و4 للتحقق)، فهي مثالية للتحقق من خطوط أنابيب التجزئة الدلالية في YOLO، بما في ذلك تحميل الأقنعة وعمليات زيادة البيانات والتحقق ومسارات التصدير، قبل التوسع إلى مجموعة بيانات Cityscapes الكاملة. استكشف إعداد Cityscapes8 بصيغة YAML لمزيد من التفاصيل.
تأخذ Cityscapes8 عينة من 8 صور (4 للتدريب و4 للتحقق) من تقسيم Cityscapes البالغ 2,975 صورة للتدريب و500 صورة للتحقق، باستخدام الفئات التسع عشرة نفسها و
label_mapping، ولذلك فإن خط الأنابيب الذي يعمل على Cityscapes8 يعمل دون تعديل على مجموعة البيانات الكاملة — ما عليك سوى توجيهdata=إلىcityscapes.yamlبدلًا منcityscapes8.yaml. وعلى خلاف مجموعة البيانات الكاملة، لا تتطلب Cityscapes8 خطوة تنزيل يدويًا ولا تتضمن تقسيمtest.يمكنك تدريب نموذج YOLO26 للتجزئة الدلالية على Cityscapes8 باستخدام Python أو CLI:
مثال على التدريبfrom ultralytics import YOLO # Load a pretrained YOLO26n-sem model model = YOLO("yolo26n-sem.pt") # Train the model on Cityscapes8 results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)للحصول على خيارات تدريب إضافية، راجع وثائق تدريب YOLO.
لا. فمجموعة Cityscapes8 صغيرة جدًا لإجراء مقارنة ذات دلالة بين النماذج، وهي مخصصة للتحقق من خطوط أنابيب التدريب والتقييم. استخدم مجموعة التحقق الكاملة من Cityscapes عندما تحتاج إلى نتائج معيارية تمثيلية للتجزئة الدلالية.