COCO8
Einführung
Ultralytics COCO8-Seg ist ein kleiner, aber vielseitiger instance segmentation-Datensatz, der aus den ersten 8 Bildern des COCO Train 2017-Sets besteht, 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 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: 8 insgesamt (4 Zug / 4 Tal).
- Klassen: 80 COCO .
- Beschriftungen: YOLO-Format-Polygone gespeichert unter
labels/{train,val}die jeder Bilddatei entsprechen.
Dieser Datensatz ist für die Verwendung mit Ultralytics HUB und YOLO11 vorgesehen.
Datensatz-YAML
Eine YAML-Datei (Yet Another Markup Language) wird zur Definition der Dataset-Konfiguration verwendet. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Falle des COCO8 ist die Datei coco8-seg.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.
ultralyticsyaml
# 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
Nutzung
Um ein YOLO11n-seg-Modell auf dem COCO8 für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.
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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
sample_images und Anmerkungen
Hier sind einige Beispiele von Bildern aus dem COCO8, zusammen mit den entsprechenden Kommentaren:
- 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 verdeutlicht die Vielfalt und Komplexität der Bilder im COCO8 und die Vorteile der Mosaikbildung während des Trainingsprozesses.
Zitate und Danksagungen
Wenn Sie den COCO in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte das folgende Papier:
@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 für die Erstellung und Pflege dieser wertvollen Ressource für die Computer Vision Community danken. Weitere Informationen über den COCO und seine Ersteller finden Sie auf der Website desCOCO .
FAQ
Was ist der COCO8, und wie wird er in Ultralytics YOLO11 verwendet?
Der COCO8 ist ein kompakter Instanzsegmentierungsdatensatz von Ultralytics, der aus den ersten 8 Bildern des COCO train 2017-Satzes besteht - 4 Bilder für das Training und 4 für die Validierung. Dieser Datensatz ist für das Testen und Debuggen von Segmentierungsmodellen oder das Experimentieren mit neuen Erkennungsmethoden geeignet. Er ist besonders nützlich mit Ultralytics YOLO11 und HUB für schnelle Iterationen und Pipeline-Fehlerüberprüfungen vor der Skalierung auf größere Datensätze. Ausführliche Informationen zur Verwendung finden Sie auf der Seite Modelltraining.
Wie kann ich ein YOLO11n-seg-Modell mit dem COCO8 trainieren?
Um ein YOLO11n-seg-Modell auf dem COCO8 für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie Python oder CLI 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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-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 COCO8 für die Modellentwicklung und Fehlerbehebung wichtig?
Der COCO8 bietet einen kompakten und dennoch vielfältigen Satz von 8 Bildern, der sich perfekt für das schnelle Testen und Debuggen von Segmentierungsmodellen oder das Experimentieren mit neuen Erkennungstechniken eignet. Seine geringe Größe ermöglicht schnelle Plausibilitätsprüfungen und eine frühzeitige Validierung der Pipeline, um Probleme vor der Skalierung auf größere Datensätze zu erkennen. Weitere Informationen über unterstützte Datensatzformate finden Sie im Ultralytics für Segmentierungsdatensätze.
Wo finde ich die YAML-Konfigurationsdatei für den COCO8?
Die YAML-Konfigurationsdatei für den COCO8 ist im Ultralytics verfügbar. Sie können die Datei direkt unter yaml aufrufen yaml Die YAML-Datei enthält wichtige Informationen über Datensatzpfade, Klassen und Konfigurationseinstellungen, die für die Modellschulung und -validierung erforderlich sind.
Welche Vorteile bietet die Verwendung von Mosaiken beim Training mit dem COCO8?
Die Verwendung von Mosaikbildern während des Trainings trägt dazu bei, die Vielfalt und Verschiedenartigkeit der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Bei dieser Technik werden mehrere Bilder zu einem einzigen zusammengesetzten Bild kombiniert, wodurch die Fähigkeit des Modells zur Generalisierung auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte innerhalb der Szene verbessert wird. Das Mosaikieren ist vorteilhaft für die Verbesserung der Robustheit und Genauigkeit eines Modells, insbesondere bei der Arbeit mit kleinen Datensätzen wie COCO8. Ein Beispiel für ein Bildmosaik finden Sie im Abschnitt Beispielbilder und Anmerkungen.
