Link to this sectionCOCO8-Seg Datensatz#

Link to this sectionEinführung#

Ultralytics COCO8-Seg ist ein kleiner, aber vielseitiger Instanzsegmentierungs- Datensatz, bestehend aus den ersten 8 Bildern des COCO train 2017 Sets, 4 für das Training und 4 für die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von Segmentierungsmodellen oder zum Experimentieren mit neuen Detektionsansätzen. Mit 8 Bildern ist er klein genug, um leicht handhabbar zu sein, aber dennoch vielfältig genug, um Trainings-Pipelines auf Fehler zu prüfen und als Plausibilitätsprüfung vor dem Training größerer Datensätze zu dienen.

Link to this sectionDatensatzstruktur#

• Bilder: 8 insgesamt (4 Training / 4 Validierung).
• Klassen: 80 COCO-Kategorien.
• Labels: YOLO-formatierte Polygone, die unter labels/{train,val} gespeichert sind und jedem Bild entsprechen.
• Download-Größe: ~1 MB.

Erkunde das COCO8-Seg auf der Ultralytics Plattform, um jedes Bild mit seinen Polygon-Masken zu durchsuchen, die Klassenverteilung und Annotations-Heatmaps im Tab Charts anzusehen und es zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade des Datasets, Klassen und weitere relevante Details. Im Fall des COCO8-Seg-Datasets wird die Datei coco8-seg.yaml 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.zip

Link to this sectionVerwendung#

Um ein YOLO26n-seg Modell auf dem COCO8-Seg Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Snippets 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="coco8-seg.yaml", epochs=100, imgsz=640)

Link to this sectionBeispielbilder und Annotationen#

Hier sind einige Beispiele für Bilder aus dem COCO8-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.

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 COCO8-Seg Datensatz und wie wird er in Ultralytics YOLO26 verwendet?#

Das COCO8-Seg Datenset ist ein kompaktes Instanz-Segmentierungs-Datenset von Ultralytics, das aus den ersten 8 Bildern des COCO Train 2017 Sets besteht (4 für das Training, 4 für die Validierung). Dieses Datenset ist auf das Testen und Debuggen von Segmentierungsmodellen oder das Experimentieren mit neuen Detektionsmethoden zugeschnitten. Es ist besonders nützlich mit Ultralytics YOLO26 für schnelle Iterationen und zur Fehlerprüfung der Pipeline, bevor auf größere Datensets skaliert wird. Für eine detaillierte Verwendung beziehe dich auf die Modell-Training-Seite.

Link to this sectionWie 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 lesen.

Link to this sectionWarum ist der COCO8-Seg Datensatz wichtig für die Modellentwicklung und das Debugging?#

Da der Download- und Train/Val-Loop viel kleiner sind als beim vollständigen COCO, erlaubt dir COCO8-Seg einen Trainings- und Validierungsdurchlauf, um Pipeline-Fehler – wie einen defekten Data Loader, eine falsch konfigurierte Loss-Funktion oder eine schlechte Augmentierung – zu finden, bevor du dich auf ein größeres Datenset festlegst. Lerne mehr über unterstützte Datenset-Formate im Ultralytics Segmentierungs-Datenset-Guide.

Link to this sectionWo 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 direkt auf die Datei zugreifen unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. Die YAML-Datei enthält essenzielle Informationen über Datensatzpfade, Klassen und Konfigurationseinstellungen, die für das Training und die Validierung des Modells erforderlich sind.

Link to this sectionWie schneidet COCO8-Seg im Vergleich zu COCO128-Seg und dem vollständigen COCO-Seg Datenset ab?#

COCO8-Seg (8 Bilder) liegt größenmäßig unterhalb von COCO128-Seg (128 Bilder) und dem vollständigen COCO-Seg Datenset (118.287 Trainingsbilder):

• COCO8-Seg: 8 Bilder (4 Train, 4 Val) – der schnellste Plausibilitätscheck, ideal für CI und schnelles Debugging.
• COCO128-Seg: 128 Bilder – ausgewogen zwischen Größe und Diversität, wobei Train und Val dasselbe Verzeichnis teilen.
• Vollständiges COCO-Seg: 118.287 Trainingsbilder – umfassend, aber ressourcenintensiv, erfordert ~27 GB beim ersten Download.

Verwende COCO8-Seg für den schnellstmöglichen Pipeline-Check und skaliere dann auf COCO128-Seg oder das vollständige COCO-Seg Datenset, sobald dein Vertrauen wächst.