مجموعة بيانات Cityscapes8#

مقدمة#

مجموعة بيانات Ultralytics Cityscapes8 هي مجموعة بيانات مدمجة التجزئة الدلالية تحتوي على 8 صور مأخوذة من مجموعة بيانات Cityscapes: 4 للتدريب و4 للتحقق من الصحة. وهي مصممة للاختبار السريع، وتصحيح الأخطاء، والتجريب مع نماذج التجزئة الدلالية YOLO ومسارات عمل التدريب. يوفر محتوى المشاهد الحضرية الخاص بها فحصاً مفيداً لمسار العمل قبل الانتقال إلى مجموعة بيانات Cityscapes الكاملة.

تستخدم Cityscapes8 نفس فئات التقييم الـ 19 ونفس سلوك label_mapping الخاص بمجموعة بيانات Cityscapes الكاملة، وهي متوافقة تماماً مع مسارات عمل التجزئة الدلالية YOLO26.

هيكل مجموعة البيانات#

تعكس Cityscapes8 تخطيط مجموعة البيانات الكاملة، بدون 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 بالصور عبر حقل masks_dir: masks، ويقوم label_mapping بتحويل معرفات تسميات Cityscapes المصدرية إلى معرفات التدريب المتجاورة الـ 19 الموضحة في بنية مجموعة بيانات Cityscapes الكاملة.

YAML مجموعة البيانات#

يتم تحديد تكوين مجموعة بيانات Cityscapes8 في ملف YAML لمجموعة البيانات، والذي يحدد مسارات مجموعة البيانات، وأسماء الفئات، والبيانات الوصفية الأساسية الأخرى. يمكنك مراجعة ملف cityscapes8.yaml الرسمي في مستودع GitHub الخاص بـ Ultralytics. يتضمن ملف YAML عنوان URL لتنزيل المجموعة الفرعية الصغيرة المعبأة.

# 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 عصر (Epoch) 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 يتم إصدارها بموجب ترخيص مخصص غير تجاري — 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}
}

الشكر الجزيل لـ فريق Cityscapes لمساهماتهم المستمرة في مجتمعات القيادة الذاتية والرؤية الحاسوبية.

الأسئلة الشائعة#