Link to this sectionCOCO128-Seg Datensatz#

Link to this sectionEinführung#

Ultralytics COCO128-Seg ist ein kleiner, aber vielseitiger Datensatz für Instanzsegmentierung, der aus den ersten 128 Bildern des COCO train 2017 Sets besteht. Dieser Datensatz ist ideal zum Testen und Debuggen von Segmentierungsmodellen oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 128 Bildern ist er klein genug, um leicht handhabbar zu sein, aber vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und als Plausibilitätsprüfung vor dem Training mit größeren Datensätzen zu dienen.

Link to this sectionDatensatzstruktur#

• Bilder: 128 insgesamt, mit identischer Aufteilung für Training und Validierung (siehe Hinweis unten).
• Klassen: Dieselben 80 Objektkategorien wie bei COCO.
• Labels: YOLO-Format Polygone gespeichert in labels/train2017 für das gemeinsame Trainings- und Validierungsbildverzeichnis.
• Download-Größe: ~7 MB.

Dieser Datensatz ist für die Verwendung mit der Ultralytics Platform und YOLO26 konzipiert.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade des Datasets, die Klassen und weitere relevante Informationen. Im Fall des COCO128-Seg Datasets wird die Datei coco128-seg.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml gepflegt.

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

# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco128-seg
# Example usage: yolo train data=coco128-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128-seg ← downloads here (7 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128-seg.zip

Link to this sectionVerwendung#

Um ein YOLO26n-seg Modell auf dem COCO128-Seg Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Modell-Training-Seite.

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="coco128-seg.yaml", epochs=100, imgsz=640)

Link to this sectionBeispielbilder und Annotationen#

Hier sind einige Beispiele für Bilder aus dem COCO128-Seg Datensatz, zusammen mit ihren entsprechenden Annotationen:

• Mosaik-Bild: Dieses Bild zeigt einen Trainings-Batch, der aus mosaikierten Datensatz-Bildern besteht. Mosaicing ist eine Technik, die während des Trainings verwendet wird, um mehrere Bilder zu einem einzigen Bild zu kombinieren, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zu verbessern, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren.

Link to this sectionZitate und Danksagungen#

Wenn du den COCO Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:

@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}
}

Wir möchten dem COCO Consortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer Vision Community danken. Für weitere Informationen über den COCO Datensatz und seine Ersteller besuche die COCO Datensatz-Website.

Link to this sectionFAQ#

Link to this sectionWas ist der COCO128-Seg Datensatz und wie wird er in Ultralytics YOLO26 verwendet?#

Der COCO128-Seg Datensatz ist ein kompakter Instanzsegmentierungs-Datensatz von Ultralytics, der aus den ersten 128 Bildern des COCO train 2017 Sets besteht. Dieser Datensatz ist darauf zugeschnitten, Segmentierungsmodelle zu testen und zu debuggen oder neue Erkennungsmethoden zu erproben. Er ist besonders nützlich in Verbindung mit Ultralytics YOLO26 und Platform, um schnelle Iterationen durchzuführen und Pipeline-Fehler zu prüfen, bevor du auf größere Datensätze skalierst. Für eine detaillierte Nutzung siehe die Modell-Training-Seite.

Link to this sectionWie kann ich ein YOLO26n-seg Modell mit dem COCO128-Seg Datensatz trainieren?#

Um ein YOLO26n-seg Modell auf dem COCO128-Seg Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du Python oder CLI-Befehle verwenden. Hier ist ein schnelles Beispiel:

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="coco128-seg.yaml", epochs=100, imgsz=640)

Für eine ausführliche Erklärung der verfügbaren Argumente und Konfigurationsoptionen kannst du die Training-Dokumentation lesen.

Link to this sectionWarum ist der COCO128-Seg Datensatz wichtig für die Modellentwicklung und das Debugging?#

Da der Download und die Trainings-/Validierungsschleife deutlich kleiner sind als beim vollständigen COCO, ermöglicht dir COCO128-Seg einen 1-Epochen-Sanity-Check für eine neue Pipeline durchzuführen – um sicherzustellen, dass das Modell korrekt trainiert, validiert und Checkpoints speichert – bevor du auf den vollständigen COCO-Seg-Datensatz skalierst. Erfahre mehr über unterstützte Datensatzformate im Ultralytics Segmentierungs-Datensatz-Leitfaden.

Link to this sectionWo finde ich die YAML-Konfigurationsdatei für den COCO128-Seg Datensatz?#

Die YAML-Konfigurationsdatei für den COCO128-Seg Datensatz ist im Ultralytics Repository verfügbar. Du kannst direkt auf die Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml zugreifen. Die YAML-Datei enthält wesentliche Informationen zu Datensatzpfaden, Klassen und Konfigurationseinstellungen, die für das Training und die Validierung von Modellen erforderlich sind.

Link to this sectionWie schneidet COCO128-Seg im Vergleich zu COCO8-Seg und dem vollständigen COCO-Seg-Datensatz ab?#

COCO128-Seg (128 Bilder) liegt von der Größe her zwischen COCO8-Seg (8 Bilder) und dem vollständigen COCO-Seg-Datensatz (118.287 Trainingsbilder):

• COCO8-Seg: 8 Bilder (4 Training, 4 Validierung) – ideal für schnelle Sanity-Checks und Fehlerbehebung.
• COCO128-Seg: 128 Bilder – ausgewogen zwischen Größe und Diversität, wobei Train und Val dasselbe Verzeichnis teilen.
• Vollständiges COCO-Seg: 118.287 Trainingsbilder – umfassend, aber ressourcenintensiv, erfordert ~27 GB beim ersten Download.

COCO128-Seg bietet mehr Vielfalt als COCO8-Seg und bleibt gleichzeitig für Experimente und die erste Modellentwicklung weitaus überschaubarer als der vollständige COCO-Seg-Datensatz.