مجموعات بيانات تعكس الواقع

تتعلّم النماذج من مجموعة البيانات، لا من العالم#

يستوفي النموذج القيم بين الأمثلة التي سبق أن رآها. درّبه على شوارع مشمسة نهارًا ثم انشره في مرآب ضبابي ليلًا، وسيفشل؛ ليس لأن السيارات تبدو مختلفة، بل لأنه لم يرَ سيارةً في تلك الظروف من قبل. يُسمّى هذا الاختلاف انزياح المجال، ولا يمكن لمجموعة التحقق أن تنبّهك إليه عندما تأتي صور التحقق من المجموعة المنحازة نفسها:

الحل بنيوي لا خوارزمي: خذ عينات من بيئة النشر عمدًا قبل وضع التسميات. يشرح دليل جمع البيانات والتعليق عليها آليات ذلك.

تدقيق مجموعة بيانات حقيقية#

تُعد مجموعة بيانات medical-pills أعلاه — وهي لقطات مقرّبة لعبوات الأقراص، مع وضع مربع حول كل قرص — موضوعًا مناسبًا للتدقيق. تعرض منصة Ultralytics الأعداد الرئيسية في صفحة مجموعة البيانات؛ ويحسب النص البرمجي أدناه الأرقام التي تكشف التغطية، باستخدام النسخة المرفقة مع ultralytics:

from collections import Counter
from pathlib import Path

from PIL import Image, ImageStat
from ultralytics.data.utils import check_det_dataset

data = check_det_dataset("medical-pills.yaml")  # downloads the dataset on first use

for split in ("train", "val"):
    images = sorted(Path(data[split]).glob("*.jpg"))
    labels = [Path(str(p).replace("/images/", "/labels/")).with_suffix(".txt") for p in images]
    rows = [line.split() for f in labels if f.exists() for line in f.read_text().splitlines()]
    classes = Counter(data["names"][int(r[0])] for r in rows)
    backgrounds = sum(not f.exists() or not f.read_text().strip() for f in labels)
    areas = sorted(float(r[3]) * float(r[4]) for r in rows)  # box area as a share of the image
    sizes = Counter(Image.open(p).size for p in images)
    brightness = [ImageStat.Stat(Image.open(p).convert("L")).mean[0] for p in images]
    print(f"{split}: {len(images)} images, {backgrounds} backgrounds, {dict(classes)}, sizes {dict(sizes)}")
    print(f"  boxes: median {areas[len(areas) // 2]:.1%} of the image, {sum(a < 0.01 for a in areas)} of {len(areas)} under 1%")
    print(f"  brightness: {min(brightness):.0f} to {max(brightness):.0f} (0 = black, 255 = white)")

train: 92 images, 0 backgrounds, {'pill': 1623}, sizes {(1920, 1080): 92}
  boxes: median 1.4% of the image, 320 of 1623 under 1%
  brightness: 171 to 198 (0 = black, 255 = white)
val: 23 images, 0 backgrounds, {'pill': 399}, sizes {(1920, 1080): 23}
  boxes: median 1.4% of the image, 79 of 399 under 1%
  brightness: 171 to 198 (0 = black, 255 = white)

اقرأ النتائج بوصفها تقريرًا عن التغطية، بحيث يُعرض اكتشاف واحد في كل سطر:

لن يظهر أيٌّ من ذلك في درجة التحقق، لأن مجموعة التحقق تشترك في كل هذه السمات.

محاور التغطية الأربعة#

كان موضع الرؤية هو المحور الذي أغفلته تجربة المرسى: الفئة نفسها من زاوية جديدة، فانخفض الاستدعاء إلى الصفر.

الأمثلة السلبية الصعبة وصور الخلفية#

يجب أن يتعلم الكاشف أيضًا ما ليس الهدف. تبدو الأمثلة السلبية الصعبة مشابهةً للهدف ظاهريًا: ففي حالة كاشف الرافعات الشوكية، تشمل الأمثلة عربة نقل المنصات ورافعة المقص وانعكاس رافعة شوكية على أرضية مصقولة وملصق سلامة مطبوع عليه رسم رافعة شوكية.

في تنسيق YOLO، صورة الخلفية هي ببساطة صورة لا يوجد لها ملف تسميات — أي لا شيء يُرسم عليها. توصي نصائح التدريب من Ultralytics بنحو 0–10% من صور الخلفية للحد من الإيجابيات الكاذبة؛ وتشكل صور الخلفية نحو 1% من COCO نفسها. خصص هذه النسبة لأمثلة سلبية صعبة من بيئتك بدلًا من إطارات فارغة عشوائية. يمكن لـزيادة البيانات تغيير السطوع والزاوية، لكنها لا تستطيع ابتكار عربة نقل منصات لم يرها النموذج من قبل.

مواطن الخلل#

لإنشاء خطة أخذ عينات بأعداد مستهدفة لكل حالة، تابع إلى جمع بيانات عالية الجودة وممثلة في بناء مجموعات بيانات YOLO عالية الأداء.