مجموعة بيانات COCO8-Seg#

8

coco8-seg

ultralytics

publicSegment

COCO8-Seg is Ultralytics' minimal instance-segmentation smoke-test set: four training and four validation images sampled from COCO 2017. Real polygons and the 80-class taxonomy enable rapid validation of mask loading, augmentation, training, and export.

280 classes837.5 KBSep 2, 2026

personbicyclecarmotorcycle+76

مقدمة#

تُعد مجموعة بيانات COCO8-Seg من Ultralytics مجموعة صغيرة ومتعددة الاستخدامات من بيانات تجزئة الكائنات، وتتألف من أول 8 صور من مجموعة COCO train 2017، منها 4 للتدريب و4 للتحقق. تُعد هذه المجموعة مثالية لاختبار نماذج التجزئة وتصحيح أخطائها، أو لتجربة أساليب جديدة للكشف. وبفضل احتوائها على 8 صور، فهي صغيرة بما يكفي لإدارتها بسهولة، لكنها متنوعة بما يكفي لاختبار مسارات التدريب بحثًا عن الأخطاء وإجراء فحص أولي قبل تدريب مجموعات بيانات أكبر.

بنية مجموعة البيانات#

• الصور: 8 صور إجمالًا (4 للتدريب / 4 للتحقق).
• الفئات: 80 فئة من فئات COCO.
• التسميات: مضلعات بتنسيق YOLO مخزنة ضمن labels/{train,val}، بما يطابق كل ملف صورة.
• حجم التنزيل: ~1 ميغابايت.

استكشف COCO8-Seg على منصة Ultralytics لتصفح كل صورة مع أقنعتها متعددة الأضلاع، وعرض توزيع الفئات والمخططات الحرارية للتعليقات التوضيحية في علامة التبويب المخططات، واستنساخها لتدريب نموذجك الخاص في السحابة.

YAML مجموعة البيانات#

يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. ويحتوي على معلومات حول مسارات مجموعة البيانات وفئاتها وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات COCO8-Seg، يُحتفظ بملف coco8-seg.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

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

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

الاستخدام#

لتدريب نموذج YOLO26n-seg على مجموعة بيانات COCO8-Seg لمدة 100 حقبة وبحجم صورة قدره 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب 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="coco8-seg.yaml", epochs=100, imgsz=640)

الصور والتعليقات التوضيحية النموذجية#

فيما يلي بعض أمثلة الصور من مجموعة بيانات COCO8-Seg، إلى جانب التعليقات التوضيحية المقابلة لها:

• الصورة الموزاييكية: توضح هذه الصورة دفعة تدريب مكوّنة من صور موزاييكية من مجموعة البيانات. والموزاييك تقنية تُستخدم أثناء التدريب وتجمع صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد ضمن كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الأجسام ونِسَب العرض إلى الارتفاع والسياقات المختلفة.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات COCO في أبحاثك أو أعمال التطوير الخاصة بك، فيُرجى الاستشهاد بالورقة البحثية 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}
}

نود أن نعرب عن تقديرنا لاتحاد COCO لإنشائه هذا المورد القيّم لمجتمع الرؤية الحاسوبية والحفاظ عليه. لمزيد من المعلومات حول مجموعة بيانات COCO ومنشئيها، تفضل بزيارة موقع مجموعة بيانات COCO.

الأسئلة الشائعة#