COCO128-Seg Datensatz

Einführung

Ultralytics COCO128-Seg ist ein kleiner, aber vielseitiger instance segmentation 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 handhabbar zu sein, bietet aber dennoch genügend Vielfalt, um Trainingspipelines auf Fehler zu testen und als Plausibilitätsprüfung vor dem Training mit größeren Datensätzen zu dienen.

Datensatzstruktur

• Bilder: 128 insgesamt. Die Standard-YAML-Datei verwendet dasselbe Verzeichnis für train und val, damit du schnell iterieren kannst, aber du kannst den Split bei Bedarf duplizieren oder anpassen.
• Klassen: Dieselben 80 Objektkategorien wie bei COCO.
• Labels: Polygone im YOLO-Format, die neben jedem Bild in labels/{train,val} gespeichert sind.

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

Datensatz-YAML

Eine YAML (Yet Another Markup Language) Datei wird verwendet, um die Datensatzkonfiguration zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und weitere relevante Details. Im Fall des COCO128-Seg Datensatzes wird die coco128-seg.yaml Datei 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/coco/
# 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

Verwendung

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

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)

Beispielbilder und Annotationen

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

• Mosaik-Bild: Dieses Bild zeigt einen Trainings-Batch, der aus mosaikierten Datensatzbildern besteht. Mosaiking 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.

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

Zitate und Danksagungen

Wenn du den COCO Datensatz in deiner Forschung 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 dafür danken, dass es diese wertvolle Ressource für die Computer Vision-Community erstellt und pflegt. Weitere Informationen über den COCO-Datensatz und seine Ersteller findest du auf der COCO-Dataset-Website.

FAQ

Was 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 ausgelegt, Segmentierungsmodelle zu testen und zu debuggen oder mit neuen Erkennungsmethoden zu experimentieren. Er ist besonders nützlich zusammen mit Ultralytics YOLO26 und der Platform für schnelle Iterationen und die Überprüfung von Pipelines auf Fehler, bevor eine Skalierung auf größere Datensätze erfolgt. Ausführliche Informationen zur Verwendung findest du auf der Training Seite des Modells.

Wie 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 bei einer Bildgröße von 640 zu trainieren, kannst du Python oder CLI-Befehle verwenden. Hier ist ein kurzes 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 prüfen.

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

Der COCO128-Seg Datensatz bietet eine ausgewogene Kombination aus Handhabbarkeit 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 genug Vielfalt, um Trainingspipelines vor der Skalierung auf größere Datensätze zu validieren. Erfahre 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. 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.

Was sind einige Vorteile der Verwendung von Mosaicing beim Training mit dem COCO128-Seg Datensatz?

Die Verwendung von Mosaicing während des Trainings trägt dazu bei, die Vielfalt und Abwechslung von Objekten und Szenen in jedem Trainingsbatch zu erhöhen. Diese Technik kombiniert mehrere Bilder zu einem einzigen zusammengesetzten Bild und verbessert die Fähigkeit des Modells, auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte innerhalb der Szene zu generalisieren. Mosaicing ist vorteilhaft, um die Robustheit und accuracy eines Modells zu verbessern, insbesondere bei der Arbeit mit mittelgroßen Datensätzen wie COCO128-Seg. Ein Beispiel für mosaikartige Bilder findest du im Abschnitt Beispielbilder und Annotationen.