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#

تتألف مجموعة بيانات COCO8-Seg من Ultralytics، وهي مجموعة صغيرة ومتعددة الاستخدامات لـتجزئة الكائنات، من أول 8 صور في مجموعة COCO train 2017: 4 للتدريب و4 للتحقق. وتُعد هذه المجموعة مثالية لاختبار نماذج التجزئة وتصحيح أخطائها، أو تجربة أساليب جديدة للتجزئة. وبفضل اقتصارها على 8 صور، يسهل التعامل معها، لكنها متنوعة بما يكفي لاختبار مسارات التدريب بحثًا عن الأخطاء واستخدامها كاختبار أولي قبل تدريب نماذج على مجموعات بيانات أكبر.

بنية مجموعة البيانات#

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

استكشف COCO8-Seg على منصة Ultralytics لاستعراض كل صورة مع أقنعتها متعددة الأضلاع، والاطلاع على توزيع الفئات والخرائط الحرارية للتعليقات التوضيحية في علامة التبويب Charts، واستنساخ المجموعة لتدريب نموذجك الخاص سحابيًا.

ملف YAML لمجموعة البيانات#

يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. ويتضمن معلومات عن مسارات مجموعة البيانات وفئاتها وغيرها من المعلومات ذات الصلة. وفي حالة مجموعة بيانات COCO8-Seg، يُصان الملف 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 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للاطلاع على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-seg.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

صور وتعليقات توضيحية نموذجية#

فيما يلي بعض الأمثلة على صور من مجموعة بيانات COCO8-Seg، إلى جانب التعليقات التوضيحية المقابلة لها:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكوّنة من صور مجموعة البيانات بعد دمجها بتقنية الفسيفساء. الفسيفساء تقنية تُستخدم أثناء التدريب، وتجمع صوراً متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد في كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب أبعادها وسياقاتها المختلفة.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات COCO في أبحاثك أو أعمال التطوير، 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}
}

نتوجه بالشكر إلى اتحاد COCO لإنشاء هذا المورد القيّم وصيانته لخدمة مجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات COCO والقائمين على إنشائها، تفضل بزيارة موقع مجموعة بيانات COCO.

الأسئلة الشائعة#