مجموعة بيانات COCO-Seg#

123,272

COCO 2017 Segmentation

ultralytics

publicSegment

COCO 2017 instance segmentation benchmark with 123,272 unique train and validation images and 886,142 polygon annotations across 80 classes. Includes official train2017 and val2017 splits with exact and canonical duplicate source images normalized to one retained image. Licensed CC BY 4.0.

80 classes11.6 GBAug 22, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

يوفر مجموعة بيانات COCO-Seg خوارزميات تقسيم مثيلات COCO (Common Objects in Context) — 118,287 صورة تدريب و5,000 صورة تحقق مع أقنعة مضلعة عبر 80 فئة كائن — بتنسيق تسميات Ultralytics YOLO. وهي تستخدم صور COCO الأصلية وتسميات التقسيم الأصلية، المحولة لتدريب YOLO، مما يجعلها مورداً أساسياً للباحثين والمطورين الذين يعملون على مهام instance segmentation.

نماذج COCO-Seg المدربة مسبقًا#

الميزات الرئيسية#

• توفر COCO-Seg أقنعة تجزئة المثيلات لـ 123,287 صورة مصنفة من COCO train2017/val2017 (118,287 للتدريب + 5,000 للتحقق)، من إصدار COCO الأوسع الذي يضم حوالي 330 ألف صورة.
• تتكون مجموعة البيانات من نفس فئات الكائنات الثمانين الموجودة في مجموعة بيانات COCO الأصلية.
• توفر التسميات التوضيحية أقنعة تجزئة المثيلات بتنسيق تسميات مضلعات YOLO.
• توفر COCO-Seg مقاييس mAP و mAR قياسية لتقييم أداء تجزئة المثيلات، مما يتيح مقارنة فعالة لأداء النماذج.
• حجم التنزيل: ~20.3 غيغابايت عند الاستخدام الأول (train2017.zip + val2017.zip + التسميات). لا يتم جلب test2017.zip البالغ حجمه 7 غيغابايت تلقائياً، نظراً لأن تلك الصور تحتوي على حقيقة أساسية محجوبة ولا تكون مطلوبة إلا لتقديم test-dev2017 submission.

هيكل مجموعة البيانات#

يتم تقسيم مجموعة بيانات COCO-Seg إلى ثلاث مجموعات فرعية:

1. Train2017: 118,287 صورة لتدريب نماذج تجزئة المثيلات.
2. Val2017: 5,000 صورة تُستخدم للتحقق أثناء تطوير النموذج.
3. Test-dev2017: 20,288 من أصل 40,670 صورة لـ test2017، تُستخدم لتقييم الأداء القياسي. تعليقات الحقيقة الأساسية لهذه المجموعة الفرعية غير متوفرة علناً، لذا يجب إرسال التنبؤات إلى COCO evaluation server للحصول على النقاط.

لاحتياجات التجريب الأصغر، راجع المجموعتين الفرعيتين COCO128-Seg (128 صورة) وCOCO8-Seg (8 صور).

التطبيقات#

تُستخدم COCO-Seg على نطاق واسع لتدريب وتقييم نماذج deep learning في مهمة instance segmentation، مثل نماذج YOLO. العدد الكبير من الصور المصنفة، وتنوع فئات الكائنات، ومقاييس التقييم المعيارية تجعلها مورداً لا غنى عنه لباحثي وممارسي computer vision. يمكن أيضاً تصفح وإدارة تعليقات COCO-Seg الكاملة على Ultralytics Platform.

YAML مجموعة البيانات#

يتم استخدام ملف YAML لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات COCO-Seg، يتم الاحتفاظ بملف coco.yaml على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

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

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.3 GB)

# 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: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# 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: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

الاستخدام#

لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO-Seg لمدة 100 epochs بحجم صورة يبلغ 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة Training الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

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

صور وشروحات توضيحية عينة#

تحتوي COCO-Seg على نفس الصور المتنوعة وفئات الكائنات والمشاهد المعقدة الموجودة في COCO، مع توفير أقنعة تجزئة المثيلات بتنسيق تسميات YOLO. إليك بعض الأمثلة للصور من مجموعة البيانات، جنباً إلى جنب مع أقنعة تجزئة المثيلات المقابلة لها:

• الصورة الفسيفسائية: توضح هذه الصورة دفعة تدريبية مكونة من صور بيانات مجمعة بنظام الفسيفساء. Mosaicing هي تقنية تُستخدم أثناء التدريب تجمع عدة صور في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريبية. هذا يساعد قدرة النموذج على التعميم على أحجام الكائنات المختلفة، ونسب الأبعاد، والسياقات.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO-Seg في عملك البحثي أو التطويري، فيرجى الاستشهاد بورقة COCO الأصلية والإقرار بالتوسع في COCO-Seg:

@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}
}

نتقدم بالشكر الجزيل إلى اتحاد COCO لإنشاء وصيانة هذا المورد الثمين لمجتمع رؤية الكمبيوتر. لمزيد من المعلومات حول مجموعة بيانات COCO ومبتكريها، تفضل بزيارة COCO dataset website.

الأسئلة الشائعة#