Conjunto de datos COCO8-Seg#
Introducción#
Ultralytics COCO8-Seg es un conjunto de datos de instance segmentation pequeño pero versátil compuesto por las primeras 8 imágenes del conjunto COCO train 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 fácil de manejar, pero lo bastante diverso como para probar los flujos de trabajo de entrenamiento en busca de errores y actuar como una comprobación de sanidad antes de entrenar conjuntos de datos más grandes.
Estructura del dataset#
- Imágenes: 8 en total (4 de entrenamiento / 4 de validación).
- Clases: 80 categorías de COCO.
- Labels: Polígonos en formato YOLO almacenados bajo
labels/{train,val}que coinciden con cada archivo de imagen. - Tamaño de descarga: ~1 MB.
Explora COCO8-Seg on Ultralytics Platform para examinar cada imagen con sus máscaras poligonales, ver la distribución de clases y los mapas de calor de anotaciones en la pestaña Charts, y clonarlo para entrenar tu propio modelo en la nube.
YAML del dataset#
Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas del conjunto de datos, las clases y otra información relevante. En el caso del conjunto de datos COCO8-Seg, el archivo coco8-seg.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/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.zipUso#
Para entrenar un modelo YOLO26n-seg en el conjunto de datos COCO8-Seg durante 100 epochs 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 Training 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="coco8-seg.yaml", epochs=100, imgsz=640)Muestras de imágenes y anotaciones#
Aquí tienes algunos ejemplos de imágenes del conjunto de datos COCO8-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 COCO8-Seg dataset es un conjunto de datos de segmentación de instancias compacto de Ultralytics, que consta de las primeras 8 imágenes del conjunto COCO train 2017 (4 para entrenamiento, 4 para validación). Este conjunto de datos está diseñado para probar y depurar modelos de segmentación o experimentar con nuevos métodos de detección. Es particularmente útil con Ultralytics YOLO26 para una iteración rápida y la comprobación de errores en el flujo de trabajo antes de escalar a conjuntos de datos más grandes. Para obtener un uso detallado, consulta la página de Training del modelo.
Para entrenar un modelo YOLO26n-seg en el conjunto de datos COCO8-Seg durante 100 épocas con un tamaño de imagen de 640, puedes usar Python o comandos 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="coco8-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.
Dado que la descarga y el bucle de entrenamiento/validación son mucho más pequeños que los del conjunto COCO completo, COCO8-Seg te permite ejecutar una pasada de entrenamiento y validación para detectar errores en el flujo de trabajo —un cargador de datos roto, una pérdida mal configurada o una mala aumento— antes de comprometerte con un conjunto de datos más grande. Obtén más información sobre los formatos de conjuntos de datos compatibles en la Ultralytics segmentation dataset guide.
El archivo de configuración YAML para el COCO8-Seg dataset 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 conjunto de datos, las clases y los ajustes de configuración necesarios para el entrenamiento y la validación del modelo.
COCO8-Seg (8 imágenes) se sitúa por debajo de COCO128-Seg (128 imágenes) y del conjunto de datos completo COCO-Seg (118,287 imágenes de entrenamiento) en términos de tamaño:
- COCO8-Seg: 8 imágenes (4 de entrenamiento, 4 de validación) — la comprobación de integridad más rápida, ideal para CI y depuración rápida.
- 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.
Utiliza COCO8-Seg para la verificación de canalización más rápida posible, y luego escala a COCO128-Seg o al conjunto de datos COCO-Seg completo a medida que ganes confianza.