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