Conjunto de datos COCO128-Seg
Introducción
Ultralytics COCO128-Seg es un conjunto de datos pequeño pero versátil de segmentación de instancias compuesto por las primeras 128 imágenes del conjunto de entrenamiento 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 fácil de manejar, pero lo bastante diverso como para probar los flujos de trabajo de entrenamiento en busca de errores y servir como una verificación rápida antes de entrenar con conjuntos de datos más grandes.
Estructura del conjunto de datos
- Imágenes: 128 en total. El archivo YAML predeterminado reutiliza el mismo directorio para el entrenamiento y la validación, por lo que puedes 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 diseñado para su uso con Ultralytics Platform y YOLO26.
YAML del conjunto de datos
Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otra información relevante 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/coco/
# 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 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)Imágenes y anotaciones de muestra
Aquí tienes algunos ejemplos de imágenes del conjunto de datos COCO128-Seg, junto con sus anotaciones correspondientes:
- 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 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 mosaico (mosaicing) durante el proceso de entrenamiento.
Citas y reconocimientos
Si utilizas el conjunto de datos 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 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, visita el sitio web del conjunto de datos COCO.
Preguntas frecuentes
¿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 para experimentar con nuevos métodos de detección. Es particularmente útil con Ultralytics YOLO26 y Platform para una iteración rápida y la comprobación de errores en el flujo de trabajo antes de escalar a conjuntos de datos más grandes. Para un uso detallado, consulta la página de Entrenamiento del modelo.
¿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 épocas con un tamaño de imagen de 640, puedes usar comandos de Python o de la 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 obtener una explicación exhaustiva de los argumentos disponibles y las opciones de configuración, puedes 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 facilidad de manejo 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 flujos de trabajo de entrenamiento antes de escalar a conjuntos de datos más grandes. Aprende más sobre los formatos de conjuntos de datos compatibles en la guía de conjuntos de datos de segmentación de Ultralytics.
¿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.
¿Cuáles son algunos de los beneficios de utilizar el mosaico (mosaicing) durante el entrenamiento con el conjunto de datos COCO128-Seg?
El uso de mosaico (mosaicing) durante el entrenamiento ayuda a aumentar la diversidad y la variedad de objetos y escenas en cada lote de entrenamiento. Esta técnica combina múltiples 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 mosaico es beneficioso para mejorar la robustez y precisión de un modelo, especialmente al trabajar con conjuntos de datos de tamaño moderado como COCO128-Seg. Para ver un ejemplo de imágenes en mosaico, consulta la sección de Imágenes de muestra y anotaciones.