COCO8-Seg-Datensatz
Einführung
Ultralytics COCO8-Seg ist ein kleiner, aber vielseitiger instance segmentation-Datensatz, der aus den ersten 8 Bildern des COCO-Trainingsdatensatzes 2017 besteht, davon 4 für das Training und 4 für die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von Segmentierungsmodellen oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 8 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 größerer Datensätze zu dienen.
Datensatzstruktur
- Bilder: 8 insgesamt (4 Training / 4 Validierung).
- Klassen: 80 COCO-Kategorien.
- Labels: Polygone im YOLO-Format, die unter
labels/{train,val}passend zu jeder Bilddatei 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 andere relevante Informationen. Im Fall des COCO8-Seg-Datensatzes wird die coco8-seg.yaml-Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml gepflegt.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zipVerwendung
Um ein YOLO26n-seg-Modell auf dem COCO8-Seg-Datensatz für 100 epochs mit 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 für Modelle.
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="coco8-seg.yaml", epochs=100, imgsz=640)Beispielbilder und Annotationen
Hier sind einige Beispiele von Bildern aus dem COCO8-Seg-Datensatz zusammen mit den entsprechenden 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 COCO8-Seg-Datensatz und 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 COCO8-Seg-Datensatz und wie wird er in Ultralytics YOLO26 verwendet?
Der COCO8-Seg-Datensatz ist ein kompakter Datensatz zur Instanzsegmentierung von Ultralytics, der aus den ersten 8 Bildern des COCO-Trainingsdatensatzes 2017 besteht – 4 Bilder für das Training und 4 für die Validierung. Dieser Datensatz ist darauf zugeschnitten, Segmentierungsmodelle zu testen und zu debuggen oder mit neuen Erkennungsmethoden zu experimentieren. Er ist besonders nützlich bei Ultralytics YOLO26 und der Platform für schnelle Iterationen und die Überprüfung von Pipeline-Fehlern, bevor auf größere Datensätze skaliert wird. Für eine detaillierte Nutzung siehe die Modell-Training-Seite.
Wie kann ich ein YOLO26n-seg-Modell mit dem COCO8-Seg-Datensatz trainieren?
Um ein YOLO26n-seg-Modell auf dem COCO8-Seg-Datensatz für 100 Epochen mit 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="coco8-seg.yaml", epochs=100, imgsz=640)Für eine ausführliche Erklärung der verfügbaren Argumente und Konfigurationsoptionen kannst du die Training-Dokumentation prüfen.
Warum ist der COCO8-Seg-Datensatz wichtig für die Modellentwicklung und das Debugging?
Der COCO8-Seg-Datensatz bietet einen kompakten, aber vielfältigen Satz von 8 Bildern, was ihn perfekt macht, um Segmentierungsmodelle schnell zu testen und zu debuggen oder mit neuen Erkennungstechniken zu experimentieren. Seine geringe Größe ermöglicht schnelle Plausibilitätsprüfungen und eine frühe Validierung der Pipeline, was hilft, Probleme zu identifizieren, bevor auf größere Datensätze skaliert wird. Erfahre mehr über unterstützte Datensatzformate im Ultralytics-Segmentierungsdatensatz-Leitfaden.
Wo finde ich die YAML-Konfigurationsdatei für den COCO8-Seg-Datensatz?
Die YAML-Konfigurationsdatei für den COCO8-Seg-Datensatz ist im Ultralytics-Repository verfügbar. Du kannst die Datei direkt unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml aufrufen. Die YAML-Datei enthält wesentliche Informationen über Datensatzpfade, Klassen und Konfigurationseinstellungen, die für das Modelltraining und die Validierung erforderlich sind.
Was sind einige Vorteile der Verwendung von Mosaicing beim Training mit dem COCO8-Seg-Datensatz?
Die Verwendung von Mosaicing während des Trainings hilft, die Vielfalt und Variabilität von Objekten und Szenen in jedem Trainings-Batch 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, um die Robustheit und accuracy eines Modells zu verbessern, besonders bei der Arbeit mit kleinen Datensätzen wie COCO8-Seg. Für ein Beispiel von gemosaicten Bildern siehe den Abschnitt Beispielbilder und Annotationen.