مجموعة بيانات COCO8-Seg#

8

coco8-seg

ultralytics

publicSegment

Compact 8-image instance segmentation dataset from COCO 2017. Includes 4 train/4 val images with 80 object classes. Ideal for testing, debugging, and quick model experiments.

280 classes837.5 KBFeb 9, 2026

personbicyclecarmotorcycle+76

مقدمة#

Ultralytics COCO8-Seg هي مجموعة بيانات لتقسيم المثيلات صغيرة ولكنها متعددة الاستخدامات تتكون من أول 8 صور من مجموعة التدريب COCO train 2017، منها 4 للتدريب و4 للتحقق من الصحة. تعتبر مجموعة البيانات هذه مثالية لاختبار وتصحيح أخطاء نماذج التقسيم، أو لتجربة نهج اكتشاف جديدة. مع وجود 8 صور، فهي صغيرة بما يكفي لتكون قابلة للإدارة بسهولة، ومع ذلك فهي متنوعة بما يكفي لاختبار خطوط أنابيب التدريب بحثاً عن الأخطاء والعمل كفحص صحي قبل تدريب مجموعات بيانات أكبر.

هيكل مجموعة البيانات#

• الصور: 8 إجمالاً (4 للتدريب / 4 للتحقق).
• الفئات: 80 فئة من فئات COCO.
• التسميات: مضلعات بتنسيق YOLO مخزنة ضمن labels/{train,val} ومطابقة لكل ملف صورة.
• حجم التنزيل: ~1 ميجابايت.

استكشف COCO8-Seg on Ultralytics Platform لتصفح كل صورة مع أقنعة المضلعات الخاصة بها، وعرض توزيع الفئات خرائط الحرارة للتسميات التوضيحية في علامة التبويب Charts، واستنساخها لتدريب نموذجك الخاص في السحابة.

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 البيانات COCO8-Seg، يتم الاحتفاظ بملف coco8-seg.yaml على 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 البيانات COCO8-Seg لمدة 100 عصر 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="coco8-seg.yaml", epochs=100, imgsz=640)

صور وشروحات توضيحية عينة#

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

• صورة مجمعة (Mosaiced Image): توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات مجمعة. الفسيفساء (Mosaicing) هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO في عملك البحثي أو التطويري، يرجى 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}
}

نود أن نشكر اتحاد COCO لإنشاء والحفاظ على هذا المورد القيم لمجتمع computer vision. لمزيد من المعلومات حول مجموعة بيانات COCO ومبتكريها، تفضل بزيارة COCO dataset website.

الأسئلة الشائعة#