مجموعة بيانات COCO128

مقدمة

Ultralytics COCO128 عبارة عن مجموعة بيانات صغيرة ولكنها متعددة الاستخدامات لاكتشاف الكائنات تتكون من أول 128 صورة من مجموعة تدريب COCO 2017. تعتبر مجموعة البيانات هذه مثالية لاختبار وتصحيح نماذج اكتشاف الكائنات، أو لتجربة طرق اكتشاف جديدة. مع وجود 128 صورة، فهي صغيرة بما يكفي لتكون سهلة الإدارة، ولكنها متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثًا عن الأخطاء والعمل كفحص للسلامة قبل تدريب مجموعات بيانات أكبر.

شاهد: نظرة عامة على مجموعة بيانات Ultralytics COCO

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics HUB و YOLO11.

ملف YAML لمجموعة البيانات

يتم استخدام ملف YAML (لغة ترميز أخرى) لتحديد تكوين مجموعة البيانات. يحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها ومعلومات أخرى ذات صلة. في حالة مجموعة بيانات COCO128، coco128.yaml يتم الاحتفاظ بالملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

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

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128 ← downloads here (7 MB)

# 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip

الاستخدام

لتدريب نموذج YOLO11n على مجموعة بيانات COCO128 لعدد 100 حقبة (epoch) بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

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="coco128.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

عينات من الصور والشروحات التوضيحية

فيما يلي بعض الأمثلة للصور من مجموعة بيانات COCO128، 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.

يعرض المثال التنوع والتعقيد في الصور الموجودة في مجموعة بيانات COCO128 وفوائد استخدام الفسيفساء 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 لاتحاد COCO لإنشاء هذا المورد القيم والحفاظ عليه لمجتمع رؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، تفضل بزيارة موقع مجموعة بيانات COCO.

الأسئلة الشائعة

فيما تُستخدم مجموعة بيانات Ultralytics COCO128؟

مجموعة بيانات Ultralytics COCO128 هي مجموعة فرعية مضغوطة تحتوي على أول 128 صورة من مجموعة بيانات COCO train 2017. وهي تستخدم في المقام الأول لاختبار وتصحيح نماذج الكشف عن الكائنات، وتجربة أساليب الكشف الجديدة، والتحقق من صحة مسارات التدريب قبل التوسع إلى مجموعات بيانات أكبر. حجمها الذي يمكن التحكم فيه يجعلها مثالية للتكرارات السريعة مع الاستمرار في توفير تنوع كافٍ ليكون حالة اختبار ذات مغزى.

كيف يمكنني تدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO128؟

لتدريب نموذج YOLO11 على مجموعة بيانات COCO128، يمكنك استخدام أوامر Python أو CLI. إليك الطريقة:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

لمزيد من خيارات التدريب والمعلمات، راجع وثائق التدريب.

ما هي فوائد استخدام زيادة الفسيفساء مع COCO128؟

يعمل تضخيم الفسيفساء، كما هو موضح في sample_images، على دمج صور تدريب متعددة في صورة مركبة واحدة. يوفر هذا الأسلوب العديد من الفوائد عند التدريب باستخدام COCO128:

• يزيد من تنوع الكائنات والسياقات داخل كل دفعة تدريب.
• يحسن تعميم النموذج عبر أحجام الكائنات ونسب العرض إلى الارتفاع المختلفة
• يحسن أداء الكشف عن الكائنات بمقاييس مختلفة
• يزيد من فائدة مجموعة البيانات الصغيرة عن طريق إنشاء عينات تدريب أكثر تنوعًا

تعتبر هذه التقنية ذات قيمة خاصة لمجموعات البيانات الأصغر مثل COCO128، مما يساعد النماذج على تعلم ميزات أكثر قوة من البيانات المحدودة.

كيف تتم مقارنة COCO128 بمتغيرات مجموعة بيانات COCO الأخرى؟

يقع COCO128 (128 صورة) بين COCO8 (8 صور) ومجموعة بيانات COCO الكاملة (أكثر من 118 ألف صورة) من حيث الحجم:

• COCO8: يحتوي على 8 صور فقط (4 للتدريب، 4 للتحقق) - مثالي للاختبارات السريعة وتصحيح الأخطاء
• COCO128: يحتوي على 128 صورة - متوازنة بين الحجم والتنوع
• مجموعة بيانات COCO كاملة: تحتوي على أكثر من 118 ألف صورة تدريبية - شاملة ولكنها تستهلك الكثير من الموارد

يوفر COCO128 أرضية وسط جيدة، حيث يقدم تنوعًا أكبر من COCO8 مع البقاء أكثر قابلية للإدارة من مجموعة بيانات COCO الكاملة للتجريب وتطوير النموذج الأولي.

هل يمكنني استخدام COCO128 لمهام أخرى غير الكشف عن الأجسام؟

في حين أن COCO128 مصمم بشكل أساسي للكشف عن الكائنات، إلا أنه يمكن تكييف تعليقات توضيحية لمجموعة البيانات لمهام رؤية الكمبيوتر الأخرى:

• تجزئة المثيلات: استخدام أقنعة التجزئة المتوفرة في التعليقات التوضيحية
• اكتشاف النقاط الرئيسية: للصور التي تحتوي على أشخاص مع تعليقات توضيحية للنقاط الرئيسية
• التعلم بالنقل: كنقطة انطلاق لضبط النماذج بدقة للمهام المخصصة

بالنسبة للمهام المتخصصة مثل التجزئة، ضع في اعتبارك استخدام المتغيرات المصممة لهذا الغرض مثل COCO8-seg التي تتضمن التعليقات التوضيحية المناسبة.

📅 أُنشئ منذ 4 أشهر ✏️ تم التحديث منذ 4 أشهر

تعليقات