مجموعة بيانات Cityscapes8#

مقدمة#

مجموعة بيانات Cityscapes8 من Ultralytics هي مجموعة بيانات مدمجة لـ التقسيم الدلالي تتكون من 8 صور مأخوذة من مجموعة بيانات Cityscapes: 4 للتدريب و4 للتحقق. تم تصميمها للاختبار السريع وتصحيح الأخطاء والتجريب باستخدام نماذج YOLO للتقسيم الدلالي وخطوط أنابيب التدريب. يوفر محتواها الذي يصور مشاهد حضرية وسيلة مفيدة للتحقق من خط الأنابيب قبل الانتقال إلى مجموعة بيانات Cityscapes الكاملة.

تستخدم Cityscapes8 نفس فئات التقييم التسعة عشر ونفس سلوك label_mapping الموجود في مجموعة بيانات Cityscapes الكاملة، وهي متوافقة تماماً مع مهام عمل YOLO26 للتقسيم الدلالي.

هيكل مجموعة البيانات#

تعكس مجموعة Cityscapes8 هيكل مجموعة البيانات الكاملة، دون تقسيم test:

cityscapes8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── masks/
    ├── train/  # 4 single-channel PNG masks
    └── val/    # 4 single-channel PNG masks

يتم إقران الأقنعة (masks) بالصور عبر حقل masks_dir: masks، ويقوم label_mapping بتحويل معرفات التصنيفات (label IDs) الخاصة بـ Cityscapes المصدرية إلى 19 معرف تدريب متصل كما هو موضح في هيكل مجموعة بيانات Cityscapes الكامل.

YAML مجموعة البيانات#

يتم تحديد تكوين مجموعة بيانات Cityscapes8 في ملف YAML خاص بمجموعة البيانات، والذي يحدد مسارات مجموعة البيانات، وأسماء الفئات، وغيرها من البيانات الوصفية الأساسية. يمكنك مراجعة ملف cityscapes8.yaml الرسمي في مستودع Ultralytics على GitHub. يتضمن ملف YAML رابط تنزيل للنسخة الفرعية الصغيرة والمجمعة.

# 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.zip

الاستخدام#

لتدريب نموذج YOLO26n-sem على مجموعة بيانات Cityscapes8 لمدة 100 دورة تدريبية بحجم صورة 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 أيضاً إدارة Cityscapes8 وتدريب نماذج التجزئة الدلالية في السحابة باستخدام Ultralytics Platform.

الاقتباسات، والترخيص، والتقديرات#

تم أخذ عينات Cityscapes8 من Cityscapes، والتي تم إصدارها بموجب ترخيص غير تجاري مخصص — راجع صفحة مجموعة بيانات Cityscapes الكاملة للحصول على التفاصيل.

إذا كنت تستخدم مجموعة بيانات Cityscapes في بحثك أو تطويرك، يرجى الاستشهاد بالورقة البحثية 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}
}

شكر خاص لـ فريق Cityscapes على مساهماتهم المستمرة في مجتمعات القيادة الذاتية والرؤية الحاسوبية.

الأسئلة الشائعة#

ما الذي تُستخدم مجموعة بيانات Ultralytics Cityscapes8 من أجله؟#

تم تصميم مجموعة بيانات Ultralytics Cityscapes8 للاختبار السريع وتصحيح الأخطاء لنماذج التقسيم الدلالي. مع وجود 8 صور فقط (4 للتدريب، 4 للتحقق)، تعد مثالية للتحقق من خطوط أنابيب YOLO للتقسيم الدلالي، بما في ذلك تحميل الأقنعة، والزيادات، والتحقق، ومسارات التصدير، قبل التوسع إلى مجموعة بيانات Cityscapes الكاملة. استكشف ملف إعدادات YAML لـ Cityscapes8 لمزيد من التفاصيل.

كيف تختلف Cityscapes8 عن مجموعة بيانات Cityscapes الكاملة؟#

تأخذ Cityscapes8 عينة من 8 صور (4 للتدريب، 4 للتحقق) من تقسيم Cityscapes المكون من 2,975 للتدريب/500 للتحقق، باستخدام نفس الفئات الـ 19 وlabel_mapping، بحيث يعمل خط العمل الذي يشتغل على Cityscapes8 دون تعديل على مجموعة البيانات الكاملة - فقط قم بتوجيه data= إلى cityscapes.yaml بدلاً من cityscapes8.yaml. على عكس مجموعة البيانات الكاملة، لا تحتوي Cityscapes8 على خطوة تنزيل يدوية ولا تقسيم test.

كيف يمكنني تدريب نموذج YOLO26 باستخدام مجموعة بيانات Cityscapes8؟#

يمكنك تدريب نموذج YOLO26 للتقسيم الدلالي على Cityscapes8 باستخدام إما Python أو واجهة سطر الأوامر (CLI):

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)

للحصول على خيارات تدريب إضافية، راجع YOLO Training documentation.

هل يجب علي استخدام Cityscapes8 لقياس الأداء؟#

لا. مجموعة Cityscapes8 صغيرة جداً لإجراء مقارنة ذات مغزى بين النماذج، وهي مخصصة فقط لفحص خطوط أنابيب التدريب والتقييم. استخدم مجموعة التحقق الكاملة الخاصة بـ Cityscapes عندما تحتاج إلى نتائج معيارية تمثيلية للتقسيم الدلالي.