Conjunto de datos COCO-Seg#

123,272

COCO 2017 Segmentation

ultralytics

publicSegment

COCO 2017 Segmentation is the canonical instance-segmentation benchmark across 80 everyday-object classes. Detailed polygons delineate objects in complex scenes with varied scale, crowding, occlusion, and context for standardized mask-quality evaluation.

80 classes11.6 GBSep 30, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

El conjunto de datos COCO-Seg proporciona máscaras de segmentación de instancias de COCO (objetos comunes en contexto): 118 287 imágenes de entrenamiento y 5000 de validación con máscaras poligonales de 80 categorías de objetos, en el formato de etiquetas Ultralytics YOLO. Utiliza las imágenes originales de COCO y sus anotaciones de segmentación nativas, convertidas para entrenar YOLO, por lo que es un recurso fundamental para investigadores y desarrolladores que trabajan en tareas de segmentación de instancias.

Modelos preentrenados con COCO-Seg#

Características principales#

• COCO-Seg proporciona máscaras de segmentación de instancias para 123 287 imágenes etiquetadas de COCO train2017/val2017 (118 287 de entrenamiento + 5000 de validación), de las aproximadamente 330 000 imágenes de la versión más amplia de COCO.
• El conjunto de datos incluye las mismas 80 categorías de objetos que el conjunto de datos COCO original.
• Las anotaciones proporcionan máscaras de segmentación de instancias en el formato de etiquetas poligonales YOLO.
• COCO-Seg proporciona métricas estandarizadas mAP y mAR para evaluar el rendimiento de la segmentación de instancias, lo que permite comparar eficazmente el rendimiento de los modelos.
• Tamaño de descarga: ~20,3 GB la primera vez (train2017.zip + val2017.zip + etiquetas). El archivo test2017.zip de 7 GB no se descarga automáticamente, ya que esas imágenes tienen las anotaciones de referencia ocultas y solo se necesitan para una entrega test-dev2017.

Estructura del conjunto de datos#

El conjunto de datos COCO-Seg se divide en tres subconjuntos:

1. Train2017: 118.287 imágenes para entrenar modelos de segmentación de instancias.
2. Val2017: 5.000 imágenes utilizadas para la validación durante el desarrollo del modelo.
3. Test-dev2017: 20.288 de las 40.670 imágenes de test2017, utilizadas para la evaluación comparativa. Las anotaciones de referencia de este subconjunto no están disponibles públicamente, por lo que debes enviar las predicciones al servidor de evaluación de COCO para obtener una puntuación.

Para probar con conjuntos más pequeños, consulta los subconjuntos COCO128-Seg (128 imágenes) y COCO8-Seg (8 imágenes).

Aplicaciones#

COCO-Seg se utiliza ampliamente para entrenar y evaluar modelos de aprendizaje profundo en tareas de segmentación de instancias, como los modelos YOLO. El gran número de imágenes anotadas, la diversidad de categorías de objetos y las métricas de evaluación estandarizadas lo convierten en un recurso indispensable para investigadores y profesionales de la visión artificial. También puedes explorar y gestionar todas las anotaciones de COCO-Seg en Ultralytics Platform.

YAML del conjunto de datos#

Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otros datos relevantes del conjunto. En el caso del conjunto de datos COCO-Seg, el archivo coco.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

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

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.3 GB)

# 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: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# 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: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Uso#

Para entrenar un modelo YOLO26n-seg con el conjunto de datos COCO-Seg durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Consulta la página de entrenamiento del modelo para ver una lista completa de los argumentos disponibles.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n-seg.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Imágenes de muestra y anotaciones#

COCO-Seg contiene las mismas imágenes diversas, categorías de objetos y escenas complejas que COCO, con máscaras de segmentación de instancias en el formato de etiquetas YOLO. Aquí tienes algunos ejemplos de imágenes del conjunto de datos junto con sus correspondientes máscaras de segmentación de instancias:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos dispuestas en mosaico. El mosaico es una técnica que se utiliza durante el entrenamiento y combina varias imágenes en una sola para aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda al modelo a generalizar con distintos tamaños de objetos, relaciones de aspecto y contextos.

Citas y agradecimientos#

Si utilizas el conjunto de datos COCO-Seg en tus trabajos de investigación o desarrollo, cita el artículo original de COCO y reconoce la ampliación COCO-Seg:

@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}
}

Agradecemos al Consorcio COCO la creación y el mantenimiento de este valioso recurso para la comunidad de visión artificial. Para obtener más información sobre el conjunto de datos COCO y sus creadores, visita el sitio web del conjunto de datos COCO.

Preguntas frecuentes#