Zum Inhalt springen

COCO8-Seg-Datensatz

EinfĂŒhrung

Ultralytics COCO8-Seg ist ein kleiner, aber vielseitiger Instanzsegmentierungsdatensatz, der aus den ersten 8 Bildern des COCO train 2017-Sets besteht, 4 fĂŒr das Training und 4 fĂŒr die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von Segmentierungsmodellen oder zum Experimentieren mit neuen ErkennungsansĂ€tzen. Mit 8 Bildern ist er klein genug, um leicht handhabbar zu sein, und dennoch vielfĂ€ltig genug, um die Trainingspipelines auf Fehler zu testen und als Sicherheitscheck vor dem Training grĂ¶ĂŸerer DatensĂ€tze zu dienen.

Dieser Datensatz ist fĂŒr die Verwendung mit Ultralytics HUB und YOLOv8.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthĂ€lt Informationen ĂŒber die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Fall des COCO8-Seg-Datensatzes ist die coco8-seg.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

ultralytics/cfg/datasets/coco8-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

Verwendung

Um ein YOLOv8n-seg-Modell auf dem COCO8-Seg-Datensatz fĂŒr 100 Epochen mit einer BildgrĂ¶ĂŸe von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfĂŒgbaren Argumente findest du auf der Seite Modelltraining.

Beispiel fĂŒr einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=coco8-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Beispielbilder und Anmerkungen

Hier sind einige Beispiele von Bildern aus dem COCO8-Seg-Datensatz, zusammen mit den entsprechenden Anmerkungen:

Datensatz Beispielbild

  • Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, der aus Mosaikbildern des Datensatzes besteht. Beim Mosaikieren werden mehrere Bilder zu einem einzigen Bild zusammengefĂŒgt, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dadurch wird die FĂ€higkeit des Modells verbessert, sich auf verschiedene ObjektgrĂ¶ĂŸen, SeitenverhĂ€ltnisse und Kontexte einzustellen.

Das Beispiel zeigt die Vielfalt und KomplexitÀt der Bilder im COCO8-Seg-Datensatz und die Vorteile der Mosaikbildung im Trainingsprozess.

Zitate und Danksagungen

Wenn du den COCO-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere 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 DollĂĄr},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Wir möchten dem COCO-Konsortium fĂŒr die Erstellung und Pflege dieser wertvollen Ressource fĂŒr die Computer Vision Community danken. Weitere Informationen ĂŒber den COCO-Datensatz und seine Schöpfer findest du auf der Website des COCO-Datensatzes.

FAQ

Was ist der COCO8-Seg-Datensatz und wie wird er in Ultralytics YOLOv8 verwendet?

Der COCO8-Seg-Datensatz ist ein kompakter Instanzsegmentierungsdatensatz von Ultralytics, der aus den ersten 8 Bildern des COCO-Trainingsdatensatzes 2017 besteht - 4 Bilder fĂŒr das Training und 4 fĂŒr die Validierung. Dieser Datensatz ist fĂŒr das Testen und Debuggen von Segmentierungsmodellen oder das Experimentieren mit neuen Erkennungsmethoden geeignet. Er ist besonders nĂŒtzlich mit Ultralytics YOLOv8 und HUB fĂŒr schnelle Iterationen und die ÜberprĂŒfung von Pipeline-Fehlern vor der Skalierung auf grĂ¶ĂŸere DatensĂ€tze. Detaillierte Informationen zur Verwendung findest du auf der Seite Modelltraining.

Wie kann ich ein YOLOv8n-seg-Modell mit dem COCO8-Seg-Datensatz trainieren?

Um ein YOLOv8n-seg-Modell auf dem COCO8-Seg-Datensatz fĂŒr 100 Epochen mit einer BildgrĂ¶ĂŸe von 640 zu trainieren, kannst du die Befehle Python oder CLI verwenden. Hier ist ein kurzes Beispiel:

Beispiel fĂŒr einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=coco8-seg.yaml model=yolov8n.pt epochs=100 imgsz=640

Eine ausfĂŒhrliche ErklĂ€rung der verfĂŒgbaren Argumente und Konfigurationsoptionen findest du in der Schulungsdokumentation.

Warum ist der COCO8-Seg-Datensatz wichtig fĂŒr die Modellentwicklung und Fehlerbehebung?

Der COCO8-Seg-Datensatz ist ideal, weil er so ĂŒberschaubar und vielfĂ€ltig ist und trotzdem so klein. Er besteht aus nur 8 Bildern und bietet eine schnelle Möglichkeit, Segmentierungsmodelle oder neue ErkennungsansĂ€tze zu testen und zu debuggen, ohne den Aufwand grĂ¶ĂŸerer DatensĂ€tze. Das macht es zu einem effizienten Werkzeug fĂŒr die ÜberprĂŒfung der Korrektheit und die Identifizierung von Fehlern in der Pipeline, bevor du dich auf ein umfangreiches Training mit großen DatensĂ€tzen einlĂ€sst. Hier erfĂ€hrst du mehr ĂŒber Datensatzformate.

Wo finde ich die YAML-Konfigurationsdatei fĂŒr den COCO8-Seg-Datensatz?

Die YAML-Konfigurationsdatei fĂŒr den COCO8-Seg-Datensatz ist im Ultralytics Repository verfĂŒgbar. Du kannst die Datei hier direkt aufrufen. Die YAML-Datei enthĂ€lt wichtige Informationen ĂŒber die Pfade zu den DatensĂ€tzen, die Klassen und die Konfigurationseinstellungen, die fĂŒr das Training und die Validierung des Modells erforderlich sind.

Was sind die Vorteile der Mosaikbildung beim Training mit dem COCO8-Seg-Datensatz?

Die Verwendung von Mosaikbildern wĂ€hrend des Trainings trĂ€gt 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, was die FĂ€higkeit des Modells verbessert, auf verschiedene ObjektgrĂ¶ĂŸen, SeitenverhĂ€ltnisse und Kontexte innerhalb der Szene zu verallgemeinern. Das Mosaikieren ist vorteilhaft, um die Robustheit und Genauigkeit eines Modells zu verbessern, insbesondere bei der Arbeit mit kleinen DatensĂ€tzen wie COCO8-Seg. Ein Beispiel fĂŒr ein Bildmosaik findest du im Abschnitt Beispielbilder und Anmerkungen.



Erstellt am 2023-11-12, Aktualisiert am 2024-07-17
Autoren: hnliu_2@stu.xidian.edu.cn (1), glenn-jocher (7), Laughing-q (1)

Kommentare