تخطي إلى المحتوى

مجموعة بيانات COCO8-تدرج الرمادي

مقدمة

مجموعة بيانات Ultralytics COCO8-Grayscale هي مجموعة بيانات للكشف عن الأجسام مدمجة لكنها قوية، وتتكون من أول 8 صور من مجموعة COCO train 2017 وتم تحويلها إلى تنسيق تدرج الرمادي—4 للتدريب و 4 للتحقق. تم تصميم مجموعة البيانات هذه خصيصًا للاختبار السريع وتصحيح الأخطاء والتجريب باستخدام نماذج تدرج الرمادي 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.

يتوافق COCO8-تدرج الرمادي 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-Grayscale في ملف YAML (لغة ترميز أخرى)، والذي يحدد مسارات مجموعة البيانات وأسماء الفئات وبيانات التعريف الأساسية الأخرى. يمكنك مراجعة النسخة الرسمية coco8-grayscale.yaml الملف في مستودع Ultralytics GitHub.

ملاحظة

لتدريب صور RGB الخاصة بك بتدرج الرمادي، يمكنك ببساطة إضافة channels: 1 إلى ملف YAML لمجموعة البيانات الخاصة بك. هذا يحول جميع الصور إلى تدرج الرمادي أثناء التدريب، مما يتيح لك الاستفادة من مزايا تدرج الرمادي دون الحاجة إلى مجموعة بيانات منفصلة.

ultralytics/cfg/datasets/coco8-grayscale.yaml

# 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: 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 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-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

عينات من الصور والشروحات التوضيحية

فيما يلي مثال على دفعة تدريب مجمعة من مجموعة بيانات COCO8-Grayscale:

نموذج صورة من مجموعة البيانات

  • 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-Grayscale، 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 ذات التدرج الرمادي؟

تم تصميم مجموعة بيانات Ultralytics COCO8-Grayscale 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-Grayscale YAML لمزيد من التفاصيل.

كيف يمكنني تدريب نموذج YOLO11 باستخدام مجموعة بيانات COCO8 ذات التدرج الرمادي؟

يمكنك تدريب نموذج YOLO11 على COCO8-Grayscale 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-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

لخيارات تدريب إضافية، ارجع إلى وثائق تدريب YOLO.

لماذا يجب علي استخدام Ultralytics HUB لإدارة تدريب COCO8-Grayscale الخاص بي؟

Ultralytics HUB يبسط إدارة مجموعات البيانات والتدريب والنشر لنماذج YOLO - بما في ذلك COCO8-Grayscale. 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 ذات التدرج الرمادي؟

تعمل زيادة الفسيفساء، كما هو مستخدم في تدريب COCO8-Grayscale، 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 ذات التدرج الرمادي؟

للتحقق من صحة نموذج YOLO11 الخاص بك بعد التدريب على COCO8-Grayscale، 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.



📅 تم إنشاؤه منذ شهر واحد ✏️ تم التحديث منذ شهر واحد
Laughing-q

تعليقات