مجموعة بيانات COCO8
مقدمة
مجموعة بيانات Ultralytics COCO8 هي مجموعة بيانات للكشف عن الأجسام مدمجة لكنها قوية، وتتكون من أول 8 صور من مجموعة COCO train 2017—4 للتدريب و 4 للتحقق. تم تصميم مجموعة البيانات هذه خصيصًا للاختبار السريع وتصحيح الأخطاء والتجريب باستخدام نماذج YOLO ومسارات التدريب. حجمها الصغير يجعلها قابلة للإدارة بدرجة كبيرة، في حين أن تنوعها يضمن أنها تعمل كفحص سلامة فعال قبل التوسع إلى مجموعات بيانات أكبر.
شاهد: نظرة عامة على مجموعة بيانات Ultralytics COCO
يتوافق COCO8 تمامًا مع Ultralytics HUB و YOLO11، مما يتيح التكامل السلس في مهام سير عمل رؤية الحاسوب الخاصة بك.
ملف YAML لمجموعة البيانات
يتم تحديد تكوين مجموعة بيانات COCO8 في ملف YAML (لغة ترميز أخرى)، والذي يحدد مسارات مجموعة البيانات وأسماء الفئات وبيانات التعريف الأساسية الأخرى. يمكنك مراجعة النسخة الرسمية coco8.yaml الملف في مستودع Ultralytics GitHub.
ultralytics/cfg/datasets/coco8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8 ← downloads here (1 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: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8.zip
الاستخدام
لتدريب نموذج YOLO11n على مجموعة بيانات COCO8 لعدد 100 حقبة بحجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع وثائق تدريب YOLO.
مثال على التدريب
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
عينات من الصور والشروحات التوضيحية
فيما يلي مثال على دفعة تدريب مجمعة من مجموعة بيانات COCO8:
- صورة الفسيفساء: توضح هذه الصورة دفعة تدريبية يتم فيها دمج صور متعددة من مجموعة البيانات باستخدام زيادة الفسيفساء. تزيد زيادة الفسيفساء من تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل لأحجام الكائنات ونسب العرض إلى الارتفاع والخلفيات المختلفة.
هذه التقنية مفيدة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8، لأنها تزيد من قيمة كل صورة أثناء التدريب.
الاقتباسات والإقرارات
إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، 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}
}
شكر خاص لـ COCO Consortium لمساهماتهم المستمرة لمجتمع رؤية الحاسوب.
الأسئلة الشائعة
فيما تُستخدم مجموعة بيانات Ultralytics COCO8؟
تم تصميم مجموعة بيانات Ultralytics COCO8 للاختبار السريع وتصحيح أخطاء نماذج الكشف عن الأجسام. مع 8 صور فقط (4 للتدريب، 4 للتحقق)، فهي مثالية للتحقق من مسارات تدريب YOLO الخاصة بك والتأكد من أن كل شيء يعمل كما هو متوقع قبل التوسع إلى مجموعات بيانات أكبر. استكشف تكوين COCO8 YAML لمزيد من التفاصيل.
كيف يمكنني تدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO8؟
يمكنك تدريب نموذج YOLO11 على COCO8 باستخدام Python أو CLI:
مثال على التدريب
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
لخيارات تدريب إضافية، ارجع إلى وثائق تدريب YOLO.
لماذا يجب علي استخدام Ultralytics HUB لإدارة تدريب COCO8 الخاص بي؟
Ultralytics HUB يبسط إدارة مجموعات البيانات والتدريب والنشر لنماذج YOLO - بما في ذلك COCO8. بفضل ميزات مثل التدريب السحابي والمراقبة في الوقت الفعلي والتعامل البديهي مع مجموعات البيانات، يتيح لك HUB إطلاق التجارب بنقرة واحدة ويزيل متاعب الإعداد اليدوي. تعرف على المزيد حول Ultralytics HUB وكيف يمكنه تسريع مشاريع رؤية الكمبيوتر الخاصة بك.
ما هي فوائد استخدام زيادة البيانات بتقنية Mosaic في التدريب باستخدام مجموعة بيانات COCO8؟
تعمل زيادة الفسيفساء، كما هو مستخدم في تدريب COCO8، على دمج صور متعددة في صورة واحدة خلال كل دفعة. هذا يزيد من تنوع الكائنات والخلفيات، مما يساعد نموذج YOLO الخاص بك على التعميم بشكل أفضل على السيناريوهات الجديدة. تعتبر زيادة الفسيفساء ذات قيمة خاصة لمجموعات البيانات الصغيرة، لأنها تزيد من المعلومات المتاحة في كل خطوة تدريب. لمزيد من المعلومات حول هذا، راجع دليل التدريب.
كيف يمكنني التحقق من صحة نموذج YOLO11 الخاص بي الذي تم تدريبه على مجموعة بيانات COCO8؟
للتحقق من صحة نموذج YOLO11 الخاص بك بعد التدريب على COCO8، استخدم أوامر التحقق من صحة النموذج إما في Python أو CLI. هذا يقيم أداء النموذج الخاص بك باستخدام المقاييس القياسية. للحصول على إرشادات خطوة بخطوة، تفضل بزيارة وثائق التحقق من صحة YOLO.
