COCO8-Seg-Datensatz

Einführung

Ultralytics COCO8-Seg ist ein kleiner, aber vielseitiger Instanzsegmentierungsdatensatz, 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 Erkennungsansätzen. Mit 8 Bildern ist er klein genug, um leicht handhabbar zu sein, und dennoch vielfältig genug, um die Trainingspipelines auf Fehler zu testen und als Sicherheitscheck vor dem Training größerer Datensätze zu dienen.

Dieser Datensatz ist für 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 enthält Informationen über 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 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 für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Modelltraining.

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:

• Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, der aus Mosaikbildern des Datensatzes besteht. Beim Mosaikieren werden mehrere Bilder zu einem einzigen Bild zusammengefügt, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dadurch wird die Fähigkeit des Modells verbessert, sich auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte einzustellen.

Das Beispiel zeigt die Vielfalt und Komplexität 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 Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Wir möchten dem COCO-Konsortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer Vision Community danken. Weitere Informationen über 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 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 YOLOv8 und HUB für schnelle Iterationen und die Überprüfung von Pipeline-Fehlern vor der Skalierung auf größere Datensätze. 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 für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die Befehle Python oder CLI verwenden. Hier ist ein kurzes Beispiel:

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 ausführliche Erklärung der verfügbaren Argumente und Konfigurationsoptionen findest du in der Schulungsdokumentation.

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

Der COCO8-Seg-Datensatz ist ideal, weil er so überschaubar und vielfältig ist und trotzdem so klein. Er besteht aus nur 8 Bildern und bietet eine schnelle Möglichkeit, Segmentierungsmodelle oder neue Erkennungsansätze zu testen und zu debuggen, ohne den Aufwand größerer Datensätze. Das macht es zu einem effizienten Werkzeug für die Überprüfung der Korrektheit und die Identifizierung von Fehlern in der Pipeline, bevor du dich auf ein umfangreiches Training mit großen Datensätzen einlässt. Hier erfährst du mehr über Datensatzformate.

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 hier direkt aufrufen. Die YAML-Datei enthält wichtige Informationen über die Pfade zu den Datensätzen, die Klassen und die Konfigurationseinstellungen, die für 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 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, was die Fähigkeit des Modells verbessert, auf verschiedene Objektgrößen, Seitenverhältnisse 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 Datensätzen wie COCO8-Seg. Ein Beispiel für ein Bildmosaik findest du im Abschnitt Beispielbilder und Anmerkungen.

Kommentare