Conjunto de datos COCO128-Seg
Introducción
Ultralytics COCO128-Seg es un pequeño pero versátil conjunto de datos de segmentación de instancias compuesto por las 128 primeras 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 las tuberías de entrenamiento en busca de errores y actuar como una comprobación de cordura antes de entrenar conjuntos de datos más grandes.
Este conjunto de datos está destinado a ser utilizado con HUB y YOLO11 de Ultralytics.
YAML del conjunto de datos
Para definir la configuración del conjunto de datos se utiliza un archivo YAML (Yet Another Markup Language). 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 archivo se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
ultralytics.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/coco/
# Example usage: yolo train data=coco128.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
Uso
Para entrenar un modelo YOLO11n-seg en el conjunto de datos COCO128-Seg durante 100 épocas con un tamaño de imagen de 640, puede utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulte la página de entrenamiento del modelo.
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
sample_images y anotaciones
He aquí 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 en mosaico del conjunto de datos. El mosaico es una técnica utilizada durante el entrenamiento que combina varias imágenes en una sola imagen 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 objetos, relaciones de aspecto y contextos.
El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos COCO128-Seg y las ventajas de utilizar mosaicos durante el proceso de entrenamiento.
Citas y agradecimientos
Si utiliza el conjunto de datos COCO en su trabajo de investigación o desarrollo, cite 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 agradecer al Consorcio COCO 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, visite el sitio web del conjunto de datos COCO.
Preguntas frecuentes
¿Qué es el conjunto de datos COCO128-Seg y cómo se utiliza en Ultralytics YOLO11?
El conjunto de datos COCO128-Seg es un conjunto de datos compacto de segmentación de instancias de Ultralytics, formado por las 128 primeras 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. Resulta especialmente útil con Ultralytics YOLO11 y HUB para la iteración rápida y la comprobación de errores de canalización antes de escalar a conjuntos de datos más grandes. Para obtener información detallada sobre su uso, consulte la página de formación de modelos.
¿Cómo puedo entrenar un modelo YOLO11n-seg utilizando el conjunto de datos COCO128-Seg?
Para entrenar un modelo YOLO11n-seg en el conjunto de datos COCO128-Seg durante 100 épocas con un tamaño de imagen de 640, puede utilizar comandos Python o CLI . He aquí un ejemplo rápido:
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # Load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Para una explicación detallada de los argumentos disponibles y las opciones de configuración, puede consultar la documentación de Entrenamiento.
¿Por qué es importante el conjunto de datos COCO128-Seg para el desarrollo y la depuración de modelos?
El conjunto de datos COCO128-Seg 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 procesos de entrenamiento antes de escalar a conjuntos de datos más grandes. Obtenga más información sobre los formatos de conjuntos de datos compatibles en la guía de conjuntos de datos de segmentaciónUltralytics .
¿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 . Puede acceder al archivo directamente en ultralytics 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.
¿Cuáles son las ventajas de utilizar mosaicos durante el entrenamiento con el conjunto de datos COCO128-Seg?
El uso de mosaicos 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 única imagen compuesta, lo que mejora la capacidad del modelo para generalizar a diferentes tamaños de objetos, relaciones de aspecto y contextos dentro de la escena. La creación de mosaicos es beneficiosa para mejorar la solidez y precisión de un modelo, especialmente cuando se trabaja con conjuntos de datos de tamaño moderado como COCO128-Seg. Para ver un ejemplo de imágenes en mosaico, consulte la sección Imágenes de muestra y anotaciones.
