Link to this sectionConjunto de datos COCO128-Seg#

Link to this sectionIntroducción#

Ultralytics COCO128-Seg es un conjunto de datos pequeño pero versátil de segmentación de instancias compuesto por las primeras 128 imágenes del conjunto COCO train 2017. Este conjunto de datos es ideal para probar y depurar modelos de segmentación, o para experimentar con nuevos enfoques de detección. Con 128 imágenes, es lo suficientemente pequeño como para ser fácilmente manejable, pero lo suficientemente diverso como para probar canalizaciones de entrenamiento en busca de errores y actuar como una comprobación de integridad antes de entrenar conjuntos de datos más grandes.

Link to this sectionEstructura del dataset#

• Imágenes: 128 en total. El YAML predeterminado reutiliza el mismo directorio para train y val para que puedas iterar rápidamente, pero puedes duplicar o personalizar la división si lo deseas.
• Clases: Las mismas 80 categorías de objetos que COCO.
• Etiquetas: Polígonos en formato YOLO guardados junto a cada imagen dentro de labels/{train,val}.

Este conjunto de datos está pensado para usarse con Ultralytics Platform y YOLO26.

Link to this sectionYAML del dataset#

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas del conjunto de datos, las clases y otra información relevante. En el caso del conjunto de datos COCO128-Seg, el archivo coco128-seg.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.

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

# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco128-seg
# Example usage: yolo train data=coco128-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128-seg ← downloads here (7 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128-seg.zip

Link to this sectionUso#

Para entrenar un modelo YOLO26n-seg en el conjunto de datos COCO128-Seg durante 100 epochs con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)

Link to this sectionMuestras de imágenes y anotaciones#

Aquí tienes algunos ejemplos de imágenes del conjunto de datos COCO128-Seg, junto con sus correspondientes anotaciones:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina múltiples imágenes en una sola para aumentar la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a diferentes tamaños de objeto, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos COCO128-Seg y los beneficios de usar mosaicing durante el proceso de entrenamiento.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset COCO en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

@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}
}

Nos gustaría reconocer al COCO Consortium por crear y mantener 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.

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos COCO128-Seg y cómo se utiliza en Ultralytics YOLO26?#

El conjunto de datos COCO128-Seg es un conjunto de datos compacto de segmentación de instancias de Ultralytics, que consta de las primeras 128 imágenes del conjunto COCO train 2017. Este conjunto de datos está diseñado para probar y depurar modelos de segmentación o experimentar con nuevos métodos de detección. Es particularmente útil con Ultralytics YOLO26 y Platform para una iteración rápida y la comprobación de errores en la canalización antes de escalar a conjuntos de datos más grandes. Para obtener información detallada sobre su uso, consulta la página de Entrenamiento del modelo.

Link to this section¿Cómo puedo entrenar un modelo YOLO26n-seg usando el conjunto de datos COCO128-Seg?#

Para entrenar un modelo YOLO26n-seg en el conjunto de datos COCO128-Seg durante 100 epochs con un tamaño de imagen de 640, puedes usar comandos de Python o CLI. Aquí tienes un ejemplo rápido:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # Load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)

Para una explicación exhaustiva de los argumentos disponibles y las opciones de configuración, puedes consultar la documentación de Entrenamiento.

Link to this section¿Por qué es importante el conjunto de datos COCO128-Seg para el desarrollo y la depuración de modelos?#

El COCO128-Seg dataset ofrece una combinación equilibrada de manejabilidad y diversidad con 128 imágenes, lo que lo hace perfecto para probar y depurar rápidamente modelos de segmentación o experimentar con nuevas técnicas de detección. Su tamaño moderado permite iteraciones de entrenamiento rápidas a la vez que proporciona suficiente diversidad para validar los pipelines de entrenamiento antes de escalar a datasets más grandes. Aprende más sobre los formatos de dataset compatibles en la Ultralytics segmentation dataset guide.

Link to this section¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos COCO128-Seg?#

El archivo de configuración YAML para el conjunto de datos COCO128-Seg está disponible en el repositorio de Ultralytics. Puedes acceder al archivo directamente en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. El archivo YAML incluye información esencial sobre las rutas del conjunto de datos, las clases y los ajustes de configuración necesarios para el entrenamiento y la validación del modelo.

Link to this section¿Cuáles son algunos de los beneficios de usar mosaicing durante el entrenamiento con el conjunto de datos COCO128-Seg?#

Usar mosaicing durante el entrenamiento ayuda a aumentar la diversidad y variedad de objetos y escenas en cada lote de entrenamiento. Esta técnica combina varias imágenes en una sola imagen compuesta, mejorando la capacidad del modelo para generalizar a diferentes tamaños de objetos, relaciones de aspecto y contextos dentro de la escena. El mosaicing es beneficioso para mejorar la robustez y precisión del modelo, especialmente cuando se trabaja con conjuntos de datos de tamaño moderado como COCO128-Seg. Para ver un ejemplo de imágenes con mosaico, consulta la sección Imágenes de muestra y anotaciones.