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. Die Standard-YAML verwendet das gleiche 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 konzipiert.
Link to this sectionDatensatz-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 Details des Datensatzes. 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/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.zipLink 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.
Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im COCO128-Seg Datensatz und die Vorteile der Verwendung von Mosaicing während des Trainingsprozesses.
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?#
Das COCO128-Seg-Dataset bietet eine ausgewogene Kombination aus Handhabbarkeit und Vielfalt mit 128 Bildern und ist damit perfekt geeignet, um Segmentierungsmodelle schnell zu testen und zu debuggen oder mit neuen Erkennungstechniken zu experimentieren. Seine moderate Größe ermöglicht schnelle Trainingsiterationen und bietet gleichzeitig genügend Vielfalt, um Trainingspipelines zu validieren, bevor sie auf größere Datensätze skaliert werden. Erfahre mehr über unterstützte Datensatzformate im Ultralytics-Leitfaden für Segmentierungsdatensätze.
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 sectionWas sind die Vorteile der Verwendung von Mosaicing während des Trainings mit dem COCO128-Seg Datensatz?#
Die Verwendung von Mosaicing während des Trainings hilft dabei, die Diversität und Vielfalt der Objekte und Szenen in jedem Trainingsbatch zu erhöhen. Diese Technik kombiniert mehrere Bilder zu einem einzigen zusammengesetzten Bild und verbessert 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, besonders bei der Arbeit mit mittelgroßen Datensätzen wie COCO128-Seg. Ein Beispiel für Mosaicing-Bilder findest du im Abschnitt Beispielbilder und Annotationen.