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 Detektionsansätzen. 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 mit größeren Datensätzen zu dienen.
Dataset-Struktur
- Bilder: Insgesamt 128. Die Standard-yaml verwendet dasselbe Verzeichnis für Training und Validierung wieder, um schnelle Iterationen zu ermöglichen. Bei Bedarf können Sie die Aufteilung jedoch duplizieren oder anpassen.
- Klassen: Dieselben 80 Objektkategorien wie COCO.
- Beschriftungen: YOLO-Format-Polygone, die neben jedem Bild innerhalb von gespeichert sind
labels/{train,val}.
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 Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Informationen des Datasets. Im Fall des COCO128-Seg-Datasets, 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-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
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 Modell-Trainings-Seite.
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 von Bildern aus dem COCO128-Seg-Datensatz, zusammen mit ihren entsprechenden Annotationen:
- 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 veranschaulicht die Vielfalt und Komplexität der Bilder im COCO128-Seg-Datensatz sowie 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 dem COCO Consortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision-Community danken. Weitere Informationen zum COCO-Datensatz und seinen Erstellern 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 Instanzsegmentierungs-Datensatz von Ultralytics, bestehend aus den ersten 128 Bildern des COCO train 2017 Sets. Dieser Datensatz ist zugeschnitten für das Testen und Debugging von Segmentierungsmodellen oder das Experimentieren mit neuen detection-Methoden. Er ist besonders nützlich mit Ultralytics YOLO11 und HUB für schnelle Iterationen und die Fehlerprüfung von Pipelines, bevor auf größere Datensätze skaliert wird. Für eine detaillierte Nutzung verweisen wir auf die Trainingsseite des Modells.
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 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 macht, um Segmentierungsmodelle schnell zu testen und zu debuggen oder mit neuen detection-Techniken zu experimentieren. Seine moderate Größe ermöglicht schnelle Trainingsiterationen und bietet gleichzeitig genügend Vielfalt, um Trainingspipelines zu validieren, bevor auf größere Datensätze skaliert wird. Erfahren Sie mehr über unterstützte Datensatzformate im Ultralytics Segmentierungs-Datensatz-Leitfaden.
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 die Datei direkt unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml aufrufen. Die YAML-Datei enthält wesentliche Informationen zu Datensatzpfaden, 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 Varietät von Objekten und Szenen in jedem Trainings-Batch zu erhöhen. Diese Technik kombiniert mehrere Bilder zu einem einzigen Kompositbild, wodurch die Fähigkeit des Modells verbessert wird, 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 mosaizierte Bilder finden Sie im Abschnitt Sample Images and Annotations.
