مجموعة بيانات COCO8-المقياس الرمادي

مقدمة

ال Ultralytics مجموعة بيانات COCO8-Grayscale هي مجموعة بيانات مدمجة وقوية في الوقت نفسه للكشف عن الأجسام، وتتألف من أول 8 صور من مجموعة بيانات COCO التدريبية لعام 2017 وتحويلها إلى تنسيق التدرج الرمادي - 4 للتدريب و4 للتحقق من الصحة. صُممت مجموعة البيانات هذه خصيصًا للاختبار السريع، وتصحيح الأخطاء، وإجراء التجارب مع YOLO ونماذج التدرج الرمادي وخطوط أنابيب التدريب. صغر حجمها يجعلها قابلة للإدارة بشكل كبير، بينما يضمن تنوعها أن تكون بمثابة فحص فعال للتحقق من صحة البيانات قبل التوسع إلى مجموعات بيانات أكبر.

COCO8-Graayscale متوافق تمامًا مع Ultralytics HUB و YOLO11مما يتيح التكامل السلس في مهام سير عمل الرؤية الحاسوبية.

مجموعة البيانات YAML

يُعرّف تكوين مجموعة بيانات COCO8-Grayscale في ملف YAML (لغة ترميز أخرى)، والذي يحدد مسارات مجموعة البيانات وأسماء الفئات والبيانات الوصفية الأساسية الأخرى. يمكنك مراجعة ملف coco8-grayscale.yaml في ملف Ultralytics مستودع GitHub.

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

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale  ← 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: ../datasets/coco8-grayscale # 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)

channels: 1

# 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-grayscale.zip

الاستخدام

لتدريب نموذج YOLO11n على مجموعة بيانات COCO8-Grayscale لـ 100 حلقة تدريبية بحجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع وثائق تدريبYOLO .

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640

عينة من الصور والتعليقات التوضيحية

فيما يلي مثال لدفعة تدريب مُفصّلة من مجموعة بيانات COCO8-Grayscale:

• الصورة الفسيفسائية: توضح هذه الصورة دفعة تدريب حيث يتم دمج عدة صور لمجموعة بيانات باستخدام التكبير الفسيفسائي. تزيد الزيادة الفسيفسائية من تنوع الأجسام والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل على مختلف أحجام الأجسام ونسب الأبعاد والخلفيات.

تُعد هذه التقنية مفيدة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8-Grayscale، حيث إنها تزيد من قيمة كل صورة أثناء التدريب.

الاستشهادات والشكر والتقدير

إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، يرجى 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 لاتحاد COCO Consortium على مساهماتهم المستمرة في مجتمع الرؤية الحاسوبية.

الأسئلة الشائعة

ما هي مجموعة بيانات Ultralytics COCO8-Grayscale المستخدمة؟

صُممت مجموعة بيانات Ultralytics COCO8-Grayscale للاختبار السريع وتصحيح نماذج اكتشاف الأجسام. مع وجود 8 صور فقط (4 للتدريب، و4 للتحقق من الصحة)، فهي مثالية للتحقق من YOLO الخاصة بك والتأكد من أن كل شيء يعمل كما هو متوقع قبل التوسع إلى مجموعات بيانات أكبر. استكشف تكوين COCO8-Grayscale YAML للمزيد من التفاصيل.

كيف يمكنني تدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO8-Grayscale؟

يمكنك تدريب نموذج YOLO11 على مقياس COCO8-Grayscale باستخدام إما Python أو CLI:

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640

للحصول على خيارات تدريب إضافية، راجع وثائق تدريبYOLO .

لماذا يجب عليَّ استخدام Ultralytics HUB لإدارة تدريبي على مقياس COCO8-Grayscale؟

يعمل برنامجUltralytics HUB على تبسيط إدارة مجموعة البيانات والتدريب والنشر لـ YOLO بما في ذلك نموذج COCO8-المقياس الرمادي. وبفضل ميزات مثل التدريب السحابي، والمراقبة في الوقت الفعلي، والتعامل البديهي مع مجموعة البيانات، يمكّنك HUB من إطلاق التجارب بنقرة واحدة ويزيل متاعب الإعداد اليدوي. تعرف على المزيد حول Ultralytics HUB وكيف يمكنه تسريع مشاريع الرؤية الحاسوبية الخاصة بك.

ما هي فوائد استخدام تكبير الفسيفساء في التدريب باستخدام مجموعة بيانات COCO8-Grayscale؟

تدمج زيادة الفسيفساء، كما هو مستخدم في تدريب COCO8-Grayscale، صورًا متعددة في صورة واحدة خلال كل دفعة. هذا يزيد من تنوع الأجسام والخلفيات، مما يساعد على YOLO في تعميم نموذج YOLO الخاص بك بشكل أفضل على سيناريوهات جديدة. تُعد زيادة الفسيفساء ذات قيمة خاصة لمجموعات البيانات الصغيرة، حيث إنها تزيد من المعلومات المتاحة في كل خطوة تدريب. لمعرفة المزيد عن ذلك، راجع دليل التدريب.

كيف يمكنني التحقق من صحة نموذج YOLO11 الخاص بي المدرب على مجموعة بيانات COCO8-Grayscale؟

للتحقق من صحة نموذج YOLO11 الخاص بك بعد التدريب على مقياس COCO8-Grayscale، استخدم أوامر التحقق من صحة النموذج إما في Python أو CLI. هذا يقيّم أداء نموذجك باستخدام مقاييس قياسية. للاطلاع على الإرشادات خطوة بخطوة، قم بزيارة وثائق التحقق من صحةYOLO .

📅 تم الإنشاء منذ 3 أيام ✏️ تم التحديث منذ 3 أيام

التعليقات