Zum Inhalt springen

COCO128-Seg Datensatz

Einführung

Ultralytics COCO128-Seg ist ein kleiner, aber vielseitiger Instanzsegmentierungs-Datensatz, 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 verwaltet werden zu können, aber dennoch vielfältig genug, um Trainingspipelines auf Fehler zu testen und als Plausibilitätsprüfung vor dem Training größerer Datensätze zu dienen.

Dieser Datensatz ist für die Verwendung mit Ultralytics HUB und YOLO11 vorgesehen.

Datensatz-YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Datensatzkonfiguration zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Informationen des Datensatzes. Im Falle des COCO128-Seg-Datensatzes ist die coco128-seg.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.

ultralytics/cfg/datasets/coco128-seg.yaml

# 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/coco/
# Example usage: yolo train data=coco128.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

Nutzung

Um ein YOLO11n-seg-Modell auf dem COCO128-Seg-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Training des Modells.

Trainingsbeispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

sample_images und Anmerkungen

Hier sind einige Beispiele für Bilder aus dem COCO128-Seg-Datensatz zusammen mit den entsprechenden Anmerkungen:

Beispielbild des Datensatzes

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

Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im COCO128-Seg-Datensatz und die Vorteile der Verwendung von Mosaicing während des Trainingsprozesses.

Zitate und Danksagungen

Wenn Sie den COCO-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie 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 das COCO-Konsortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision-Community anerkennen. Weitere Informationen über den COCO-Datensatz und seine Urheber finden Sie auf der COCO-Datensatz-Website.

FAQ

Was ist der COCO128-Seg-Datensatz und wie wird er in Ultralytics YOLO11 verwendet?

Der COCO128-Seg-Datensatz ist ein kompakter Instanzsegmentierungsdatensatz von Ultralytics, der aus den ersten 128 Bildern aus dem COCO train 2017-Set besteht. Dieser Datensatz ist auf das Testen und Debuggen von Segmentierungsmodellen oder das Experimentieren mit neuen Erkennungsmethoden zugeschnitten. Er ist besonders nützlich mit Ultralytics YOLO11 und HUB für schnelle Iterationen und Pipeline-Fehlerprüfung, bevor auf größere Datensätze skaliert wird. Für eine detaillierte Nutzung lesen Sie die Modellseite Training.

Wie kann ich ein YOLO11n-seg-Modell mit dem COCO128-Seg-Datensatz trainieren?

Um ein YOLO11n-seg-Modell auf dem COCO128-Seg-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie Python- oder CLI-Befehle verwenden. Hier ist ein kurzes Beispiel:

Trainingsbeispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # Load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Eine ausführliche Erläuterung der verfügbaren Argumente und Konfigurationsoptionen finden Sie in der Schulungsdokumentation.

Warum ist der COCO128-Seg-Datensatz wichtig für die Modellentwicklung und das Debuggen?

Der COCO128-Seg-Datensatz bietet eine ausgewogene Kombination aus Verwaltbarkeit und Vielfalt mit 128 Bildern, was ihn perfekt für das schnelle Testen und Debuggen von Segmentierungsmodellen oder das Experimentieren mit neuen Erkennungstechniken macht. Seine moderate Größe ermöglicht schnelle Trainingsiterationen und bietet gleichzeitig genügend Vielfalt, um Trainingspipelines zu validieren, bevor sie auf größere Datensätze skaliert werden. Erfahren Sie mehr über unterstützte Datensatzformate im Ultralytics Leitfaden für Segmentierungsdatensätze.

Wo finde ich die YAML-Konfigurationsdatei für den COCO128-Seg-Datensatz?

Die YAML-Konfigurationsdatei für den COCO128-Seg-Datensatz ist im Ultralytics Repository verfügbar. Sie können direkt auf die Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml zugreifen. Die YAML-Datei enthält wichtige Informationen über Datensatzpfade, Klassen und Konfigurationseinstellungen, die für das Modelltraining und die Validierung erforderlich sind.

Welche Vorteile bietet die Verwendung von Mosaicing während des Trainings mit dem COCO128-Seg-Datensatz?

Die Verwendung von Mosaicing während des Trainings trägt dazu bei, die Vielfalt und Varianz von Objekten und Szenen in jedem Trainings-Batch zu erhöhen. Diese Technik kombiniert mehrere Bilder zu einem einzigen zusammengesetzten Bild und verbessert so die Fähigkeit des Modells, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte innerhalb der Szene zu generalisieren. Mosaicing ist vorteilhaft für die Verbesserung der Robustheit und Genauigkeit eines Modells, insbesondere bei der Arbeit mit mittelgroßen Datensätzen wie COCO128-Seg. Ein Beispiel für Mosaikbilder finden Sie im Abschnitt Beispielbilder und Anmerkungen.



📅 Erstellt vor 21 Tagen ✏️ Aktualisiert vor 21 Tagen

Kommentare