Ir al contenido

Conjunto de datos COCO8-Seg

Introducción

Ultralytics COCO8-Seg es un conjunto de datos de segmentación de instancias pequeño pero versátil, compuesto por las primeras 8 imágenes del conjunto de entrenamiento COCO 2017, 4 para entrenamiento y 4 para validación. Este conjunto de datos es ideal para probar y depurar modelos de segmentación, o para experimentar con nuevos enfoques de detección. Con 8 imágenes, es lo suficientemente pequeño como para ser fácilmente manejable, pero lo suficientemente diverso como para probar las canalizaciones de entrenamiento en busca de errores y actuar como una verificación 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

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 COCO8-Seg, el coco8-seg.yaml archivo se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

ultralytics/cfg/datasets/coco8-seg.yaml

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

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zip

Uso

Para entrenar un modelo YOLO11n-seg en el conjunto de datos COCO8-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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

sample_images y anotaciones

Aquí hay algunos ejemplos de imágenes del conjunto de datos COCO8-Seg, junto con sus correspondientes anotaciones:

Imagen de muestra del conjunto de datos

  • 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 en el conjunto de datos COCO8-Seg y los beneficios de usar 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 COCO8-Seg y cómo se utiliza en Ultralytics YOLO11?

El conjunto de datos COCO8-Seg es un conjunto de datos de segmentación de instancias compacto de Ultralytics, que consta de las primeras 8 imágenes del conjunto de entrenamiento COCO 2017: 4 imágenes para entrenamiento y 4 para validación. 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 YOLO11 de Ultralytics y HUB para una iteración rápida y una verificación de errores de canalización antes de escalar a conjuntos de datos más grandes. Para obtener información detallada sobre el uso, consulte la página de Entrenamiento del modelo.

¿Cómo puedo entrenar un modelo YOLO11n-seg utilizando el conjunto de datos COCO8-Seg?

Para entrenar un modelo YOLO11n-seg en el conjunto de datos COCO8-Seg durante 100 épocas con un tamaño de imagen de 640, puedes utilizar comandos de Python o CLI. Aquí tienes 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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-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 COCO8-Seg para el desarrollo y la depuración de modelos?

El conjunto de datos COCO8-Seg ofrece un conjunto compacto pero diverso de 8 imágenes, lo que lo hace perfecto para probar y depurar rápidamente modelos de segmentación o para experimentar con nuevas técnicas de detección. Su pequeño tamaño permite realizar comprobaciones de integridad rápidas y una validación temprana del flujo de trabajo, lo que ayuda a identificar problemas antes de escalar a conjuntos de datos más grandes. Obtenga más información sobre los formatos de conjuntos de datos admitidos en la guía de conjuntos de datos de segmentación de Ultralytics.

¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos COCO8-Seg?

El archivo de configuración YAML para el dataset COCO8-Seg está disponible en el repositorio de Ultralytics. Puedes acceder al archivo directamente en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. El archivo YAML incluye información esencial sobre las rutas del dataset, las clases y los ajustes de configuración necesarios para el entrenamiento y la validación del modelo.

¿Cuáles son algunos de los beneficios de usar el mosaico durante el entrenamiento con el conjunto de datos COCO8-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 múltiples imágenes en una sola imagen compuesta, mejorando la capacidad del modelo para generalizar a diferentes tamaños de objeto, relaciones de aspecto y contextos dentro de la escena. El mosaico es beneficioso para mejorar la robustez y la precisión de un modelo, especialmente cuando se trabaja con conjuntos de datos pequeños como COCO8-Seg. Para ver un ejemplo de imágenes en mosaico, consulte la sección de Imágenes de muestra y anotaciones.



📅 Creado hace 1 año ✏️ Actualizado hace 4 meses

Comentarios