Link to this sectionCityscapes8-Datensatz#

Link to this sectionEinführung#

Das Ultralytics Cityscapes8-Dataset ist ein kompaktes semantic segmentation-Dataset mit 8 Bildern, die aus dem Cityscapes-Dataset stammen: 4 für das Training und 4 für die Validierung. Es wurde für schnelle Tests, Debugging und Experimente mit YOLO-Modellen für semantische Segmentierung und Trainings-Pipelines entwickelt. Sein Inhalt aus städtischen Szenen bietet eine nützliche Überprüfung der Pipeline, bevor auf das vollständige Cityscapes-Dataset skaliert wird.

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

Link to this sectionDatensatz-YAML#

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

# 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

Link to this sectionVerwendung#

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)

Link to this sectionZitate und Danksagungen#

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.

Link to this sectionFAQ#

Link to this sectionWofür wird der Ultralytics Cityscapes8-Datensatz verwendet?#

Das Ultralytics Cityscapes8-Dataset ist für das schnelle Testen und Debuggen von semantic segmentation-Modellen konzipiert. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) ist es ideal, um YOLO-Pipelines für semantische Segmentierung, einschließlich Maskenladung, Augmentierungen, Validierung und Exportpfaden, zu verifizieren, bevor du auf das vollständige Cityscapes-Dataset skalierst. Entdecke die Cityscapes8 YAML-Konfiguration für weitere Details.

Link to this sectionWie trainiere ich ein YOLO26-Modell mit dem Cityscapes8-Datensatz?#

Du kannst ein YOLO26-Modell zur semantischen Segmentierung auf Cityscapes8 entweder mit Python oder über das CLI trainieren:

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)

Für weitere Trainingsoptionen beachte bitte die YOLO-Trainingsdokumentation.

Link to this sectionSollte ich Cityscapes8 für Benchmarking verwenden?#

Nein. Cityscapes8 ist zu klein für einen aussagekräftigen Modellvergleich und ist für die Überprüfung von Trainings- und Evaluierungspipelines gedacht. Verwende den vollständigen Cityscapes-Validierungssatz, wenn du repräsentative Benchmark-Ergebnisse für semantische Segmentierung benötigst.