Dataset COCO128-Seg#
Introducción#
Ultralytics COCO128-Seg es un dataset pequeño pero versátil de segmentación de instancias compuesto por las primeras 128 imágenes del conjunto de entrenamiento COCO 2017. Este dataset es ideal para probar y depurar modelos de segmentación o para experimentar con nuevos enfoques de detección. Con 128 imágenes, es lo bastante pequeño como para gestionarlo fácilmente, pero también lo bastante diverso como para probar si las pipelines de entrenamiento presentan errores y servir como comprobación de coherencia antes de entrenar datasets más grandes.
Estructura del dataset#
- Imágenes: 128 en total, con las divisiones de entrenamiento y validación idénticas (consulta la nota siguiente).
- Clases: Las mismas 80 categorías de objetos que COCO.
- Etiquetas: Polígonos en formato YOLO almacenados en
labels/train2017para el directorio de imágenes compartido de entrenamiento y validación. - Tamaño de descarga: ~7 MB.
El YAML predeterminado apunta el entrenamiento y la validación a las mismas 128 imágenes, por lo que las métricas de validación miden el ajuste en el conjunto de entrenamiento en lugar de la generalización con datos reservados. Duplica o personaliza la división si necesitas un conjunto de datos reservado real.
Este dataset está pensado para utilizarse con Ultralytics Platform y YOLO26.
YAML del dataset#
Se utiliza un archivo YAML para definir la configuración del dataset. Contiene información sobre las rutas del dataset, las clases y otros datos relevantes. En el caso del dataset 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.zipUso#
Para entrenar un modelo YOLO26n-seg con el dataset COCO128-Seg durante 100 épocas con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para consultar una lista completa de los argumentos disponibles, visita 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)Imágenes de ejemplo y anotaciones#
Aquí tienes algunos ejemplos de imágenes del dataset COCO128-Seg, junto con sus anotaciones correspondientes:
- Imagen con mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos combinadas mediante mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina varias imágenes en una sola para aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.
Citas y agradecimientos#
Si utilizas el conjunto de datos COCO en tu trabajo de investigación o desarrollo, 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 la labor del Consorcio COCO por crear y mantener este valioso recurso para la comunidad de visión por ordenador. Para obtener más información sobre el dataset COCO y sus creadores, visita el sitio web del dataset COCO.
Preguntas frecuentes#
El dataset COCO128-Seg es un dataset compacto de segmentación de instancias de Ultralytics, compuesto por las primeras 128 imágenes del conjunto de entrenamiento COCO 2017. Este dataset está diseñado para probar y depurar modelos de segmentación o experimentar con nuevos métodos de detección. Es especialmente útil con YOLO26 y la Plataforma de Ultralytics para iterar rápidamente y comprobar errores en la pipeline antes de escalar a datasets más grandes. Para obtener información detallada sobre su uso, consulta la página de Entrenamiento del modelo.
Para entrenar un modelo YOLO26n-seg con el dataset COCO128-Seg durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar comandos de Python o CLI. Aquí tienes un ejemplo rápido:
Ejemplo de entrenamientofrom 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 obtener una explicación exhaustiva de los argumentos disponibles y las opciones de configuración, consulta la documentación de entrenamiento.
Como la descarga y el ciclo de entrenamiento/validación son mucho más pequeños que los de COCO completo, COCO128-Seg te permite ejecutar una comprobación de coherencia de 1 época en una pipeline nueva —verificando que el modelo se entrena, se valida y guarda los checkpoints correctamente— antes de escalar al dataset COCO-Seg completo. Obtén más información sobre los formatos de dataset compatibles en la guía de datasets de segmentación de Ultralytics.
El archivo de configuración YAML del dataset COCO128-Seg está disponible en el repositorio de Ultralytics. Puedes acceder directamente al archivo en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. El archivo YAML incluye información esencial sobre las rutas del dataset, las clases y los ajustes de configuración necesarios para entrenar y validar el modelo.
COCO128-Seg (128 imágenes) se sitúa entre COCO8-Seg (8 imágenes) y el dataset COCO-Seg completo (118.287 imágenes de entrenamiento) en cuanto a tamaño:
- COCO8-Seg: 8 imágenes (4 de entrenamiento y 4 de validación), ideal para comprobaciones de coherencia rápidas y depuración.
- COCO128-Seg: 128 imágenes —equilibrio entre tamaño y diversidad, con los conjuntos de entrenamiento y validación compartiendo el mismo directorio.
- Full COCO-Seg: 118 287 imágenes de entrenamiento: completo pero requiere muchos recursos, con un consumo de ~20 GB en la primera descarga.
COCO128-Seg ofrece más diversidad que COCO8-Seg, a la vez que sigue siendo mucho más manejable que el dataset COCO-Seg completo para la experimentación y el desarrollo inicial de modelos.