مجموعة بيانات COCO

تعد COCO (الكائنات الشائعة في السياق) مجموعة بيانات واسعة النطاق للكشف عن الكائنات وتقسيمها وتسميتها. وهي مصممة لتشجيع البحث حول مجموعة واسعة من فئات الكائنات وتستخدم بشكل شائع لقياس نماذج رؤية الكمبيوتر. إنها مجموعة بيانات أساسية للباحثين والمطورين الذين يعملون على مهام الكشف عن الكائنات وتقسيمها وتقدير الوضع.

شاهد: نظرة عامة على مجموعة بيانات Ultralytics COCO

نماذج COCO المدربة مسبقًا

الميزات الرئيسية

• تحتوي COCO على 330 ألف صورة، مع وجود تعليقات توضيحية لـ 200 ألف صورة لمهام الكشف عن الكائنات والتجزئة والوصف.
• تتكون مجموعة البيانات من 80 فئة من الكائنات، بما في ذلك الكائنات الشائعة مثل السيارات والدراجات والحيوانات، بالإضافة إلى فئات أكثر تحديدًا مثل المظلات وحقائب اليد والمعدات الرياضية.
• تتضمن التعليقات التوضيحية مربعات إحاطة الكائنات وأقنعة التجزئة والتسميات التوضيحية لكل صورة.
• توفر COCO مقاييس تقييم موحدة مثل متوسط الدقة المتوسطة (mAP) لاكتشاف الكائنات، ومتوسط الاسترجاع (mAR) لمهام التجزئة، مما يجعلها مناسبة لمقارنة أداء النماذج.

هيكل مجموعة البيانات

تنقسم مجموعة بيانات COCO إلى ثلاث مجموعات فرعية:

1. Train2017: تحتوي هذه المجموعة الفرعية على 118 ألف صورة لتدريب نماذج الكشف عن الكائنات والتجزئة والتعليق.
2. Val2017: تحتوي هذه المجموعة الفرعية على 5 آلاف صورة تستخدم لأغراض التحقق أثناء تدريب النموذج.
3. Test2017: تتكون هذه المجموعة الفرعية من 20 ألف صورة تستخدم لاختبار وتقييم النماذج المدربة. التعليقات التوضيحية للحقيقة الأساسية لهذه المجموعة الفرعية غير متاحة للعامة، ويتم إرسال النتائج إلى خادم تقييم COCO لتقييم الأداء.

التطبيقات

تستخدم مجموعة بيانات COCO على نطاق واسع لتدريب وتقييم نماذج التعلم العميق في اكتشاف الكائنات (مثل Ultralytics YOLO و Faster R-CNN و SSD) و تجزئة المثيلات (مثل Mask R-CNN) واكتشاف النقاط الرئيسية (مثل OpenPose). إن مجموعة البيانات المتنوعة من فئات الكائنات والعدد الكبير من الصور المشروحة ومقاييس التقييم الموحدة تجعلها موردًا أساسيًا لباحثي وممارسي رؤية الكمبيوتر.

ملف YAML لمجموعة البيانات

يتم استخدام ملف YAML (وهي لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات COCO، فإن coco.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.1 GB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  url = "https://github.com/ultralytics/assets/releases/download/v0.0.0/"
  urls = [url + ("coco2017labels-segments.zip" if segments else "coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

الاستخدام

لتدريب نموذج YOLO11n على مجموعة بيانات COCO لعدد 100 حقبة (epochs) بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، ارجع إلى صفحة تدريب النموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco.yaml model=yolo11n.pt epochs=100 imgsz=640

عينات من الصور والشروحات التوضيحية

تحتوي مجموعة بيانات COCO على مجموعة متنوعة من الصور مع فئات كائنات مختلفة ومشاهد معقدة. فيما يلي بعض الأمثلة على الصور من مجموعة البيانات، جنبًا إلى جنب مع التعليقات التوضيحية المقابلة لها:

• صورة مجمعة: توضح هذه الصورة دفعة تدريبية تتكون من صور مجموعة بيانات مجمعة. التجميع هو أسلوب يستخدم أثناء التدريب يجمع بين صور متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريبية. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب العرض إلى الارتفاع والسياقات المختلفة.

يوضح المثال تنوع وتعقيد الصور في مجموعة بيانات COCO وفوائد استخدام التجميع أثناء عملية التدريب.

الاقتباسات والإقرارات

إذا كنت تستخدم مجموعة بيانات COCO في عملك البحثي أو التطويري، فيرجى الاستشهاد بالورقة التالية:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

نود أن نعرب عن تقديرنا لـ COCO Consortium لإنشاء هذا المورد القيم والحفاظ عليه لمجتمع رؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، قم بزيارة موقع مجموعة بيانات COCO.

الأسئلة الشائعة

ما هي مجموعة بيانات COCO ولماذا هي مهمة لرؤية الكمبيوتر؟

تعتبر مجموعة بيانات COCO (الكائنات الشائعة في السياق) مجموعة بيانات واسعة النطاق تستخدم في الكشف عن الكائنات والتجزئة والتعليق. تحتوي على 330 ألف صورة مع تعليقات توضيحية مفصلة لـ 80 فئة من الكائنات، مما يجعلها ضرورية لتقييم وتدريب نماذج رؤية الكمبيوتر. يستخدم الباحثون COCO نظرًا لفئاتها المتنوعة ومقاييس التقييم الموحدة مثل متوسط الدقة Precision (mAP).

كيف يمكنني تدريب نموذج YOLO باستخدام مجموعة بيانات COCO؟

لتدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO، يمكنك استخدام مقتطفات التعليمات البرمجية التالية:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco.yaml model=yolo11n.pt epochs=100 imgsz=640

راجع صفحة التدريب لمزيد من التفاصيل حول الحجج المتاحة.

ما هي الميزات الرئيسية لمجموعة بيانات COCO؟

تتضمن مجموعة بيانات COCO ما يلي:

• 330 ألف صورة، مع شرح 200 ألف صورة لاكتشاف الكائنات وتقسيمها وتسميتها.
• 80 فئة من الكائنات تتراوح من العناصر الشائعة مثل السيارات والحيوانات إلى عناصر محددة مثل حقائب اليد والمعدات الرياضية.
• مقاييس تقييم موحدة لاكتشاف الكائنات (mAP) وتقسيمها (متوسط الاسترجاع المتوسط، mAR).
• تقنية الفسيفساء في دفعات التدريب لتحسين تعميم النموذج عبر مختلف أحجام وسياقات الكائنات.

أين يمكنني العثور على نماذج YOLO11 المدربة مسبقًا على مجموعة بيانات COCO؟

يمكن تنزيل نماذج YOLO11 المدربة مسبقًا على مجموعة بيانات COCO من الروابط المتوفرة في الوثائق. تتضمن الأمثلة:

• YOLO11n
• YOLO11s
• YOLO11m
• YOLO11l
• YOLO11x

تختلف هذه النماذج في الحجم و mAP وسرعة الاستدلال، مما يوفر خيارات لمتطلبات الأداء والموارد المختلفة.

كيف يتم تنظيم مجموعة بيانات COCO وكيف يمكنني استخدامها؟

تنقسم مجموعة بيانات COCO إلى ثلاث مجموعات فرعية:

1. Train2017: ‏118 ألف صورة للتدريب.
2. Val2017: ‏5 آلاف صورة للتحقق من الصحة أثناء التدريب.
3. Test2017: ‏20 ألف صورة لتقييم النماذج المدربة. يجب إرسال النتائج إلى خادم تقييم COCO لتقييم الأداء.

يتوفر ملف تكوين YAML لمجموعة البيانات في coco.yaml، والذي يحدد المسارات والفئات وتفاصيل مجموعة البيانات.

📅 تم الإنشاء منذ سنة واحدة ✏️ تم التحديث منذ 4 أشهر

تعليقات