Cityscapes8-Datensatz#

Einführung#

Das Ultralytics Cityscapes8-Dataset ist ein kompakter semantic segmentation-Datensatz mit 8 Bildern, die aus dem Cityscapes-Datensatz entnommen wurden: 4 für das Training und 4 für die Validierung. Er wurde für das schnelle Testen, Debuggen und Experimentieren mit YOLO-Modellen für semantische Segmentierung und Trainings-Pipelines entwickelt. Sein Inhalt aus urbanen Szenen bietet eine nützliche Pipeline-Überprüfung, bevor auf den vollständigen Cityscapes-Datensatz skaliert wird.

Cityscapes8 verwendet dieselben 19 Evaluierungsklassen und dasselbe label_mapping-Verhalten wie der vollständige Cityscapes-Datensatz und ist vollständig kompatibel mit YOLO26-Workflows für die semantische Segmentierung.

Datensatzstruktur#

Cityscapes8 spiegelt das Layout des vollständigen Datensatzes wider, ohne einen test-Split:

cityscapes8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── masks/
    ├── train/  # 4 single-channel PNG masks
    └── val/    # 4 single-channel PNG masks

Masken werden Bildern über das Feld masks_dir: masks zugeordnet, und label_mapping konvertiert die Quell-Label-IDs von Cityscapes in die 19 zusammenhängenden Train-IDs, die in der vollständigen Cityscapes-Datensatzstruktur beschrieben sind.

Datensatz-YAML#

Die Konfiguration des Cityscapes8-Datensatzes ist in einer Datensatz-YAML-Datei definiert, die Datensatzpfade, Klassennamen und andere wichtige Metadaten festlegt. Du kannst die offizielle cityscapes8.yaml-Datei im Ultralytics GitHub Repository einsehen. Die YAML enthält eine Download-URL für die kleine, paketierte Teilsatz.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

Verwendung#

Um ein YOLO26n-sem-Modell auf dem Cityscapes8-Datensatz für 100 epochs mit einer Bildgröße von 1024 zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der YOLO Training documentation.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Du kannst Cityscapes8 auch verwalten und Modelle für semantische Segmentierung in der Cloud mit Ultralytics Platform trainieren.

Zitate, Lizenz und Danksagungen#

Cityscapes8 stammt von Cityscapes ab, das unter einer custom non-commercial license veröffentlicht wurde – siehe die vollständige Cityscapes dataset page für Details.

Wenn du den Cityscapes-Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere bitte das folgende Papier:

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Besonderer Dank geht an das Cityscapes team für ihre kontinuierlichen Beiträge zu den Communities für autonomes Fahren und computer vision.

FAQ#