Conjunto de datos COCO128-Seg#
Introducción#
Ultralytics COCO128-Seg es un conjunto de datos de segmentación de instancias pequeño pero versátil, 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 gestionarlo con facilidad, pero lo bastante diverso como para comprobar si hay errores en las canalizaciones de entrenamiento y actuar como una verificación de cordura antes de entrenar conjuntos de datos más grandes.
Estructura del dataset#
- Imágenes: 128 en total, con train y val divididos de forma idéntica (mira la nota a continuación).
- 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 train y val 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 en datos no utilizados. Duplica o personaliza la división si necesitas un conjunto de prueba real.
Este conjunto de datos está pensado para su uso con Ultralytics Platform y YOLO26.
YAML del dataset#
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 de datos. 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.zipUso#
Para entrenar un modelo YOLO26n-seg en el conjunto de datos COCO128-Seg durante 100 épocas con un tamaño de imagen de 640, puedes utilizar 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)Muestras 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.
Citas 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}
}Queremos agradecer 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.
FAQ#
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 a medida para probar y depurar modelos de segmentación o experimentar con nuevos métodos de detección. Es especialmente útil con YOLO26 de Ultralytics y Platform para una iteración rápida y la comprobación de errores en la canalización antes de pasar a conjuntos de datos más grandes. Para obtener un uso detallado, consulta la página de Entrenamiento del modelo.
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:
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 detallada de los argumentos disponibles y las opciones de configuración, puedes consultar la documentación de Training.
Debido a que la descarga y el bucle de entrenamiento y validación son mucho más pequeños que los del COCO completo, COCO128-Seg te permite ejecutar una verificación de cordura de 1 época en una nueva canalización —verificando que el modelo se entrena, valida y guarda los puntos de control correctamente— antes de pasar al conjunto de datos COCO-Seg completo. Obtén más información sobre los formatos de conjuntos de datos compatibles en la guía de conjuntos de datos de segmentación de Ultralytics.
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 de los conjuntos de datos, las clases y los ajustes de configuración necesarios para el entrenamiento y la validación del modelo.
COCO128-Seg (128 imágenes) se sitúa entre COCO8-Seg (8 imágenes) y el conjunto de datos COCO-Seg completo (118.287 imágenes de entrenamiento) en términos de tamaño:
- COCO8-Seg: 8 imágenes (4 de train, 4 de val) — ideal para comprobaciones rápidas y depuración.
- COCO128-Seg: 128 imágenes — equilibrado entre tamaño y diversidad, con entrenamiento y validación compartiendo el mismo directorio.
- COCO-Seg completo: 118 287 imágenes de entrenamiento — completo pero requiere muchos recursos, necesitando ~27 GB en la primera descarga.
COCO128-Seg ofrece más diversidad que COCO8-Seg, a la vez que sigue siendo mucho más manejable que el conjunto de datos COCO-Seg completo para la experimentación y el desarrollo inicial de modelos.