Link to this sectionConjunto de datos COCO8-Seg#

Link to this sectionIntroducción#

El COCO8-Seg de Ultralytics es un conjunto de datos pequeño pero versátil de segmentación de instancias compuesto por las primeras 8 imágenes del conjunto train 2017 de COCO, 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 bastante diverso como para probar los flujos de trabajo de entrenamiento en busca de errores y servir como una verificación de cordura antes de entrenar con conjuntos de datos más grandes.

Link to this sectionEstructura del dataset#

• Imágenes: 8 en total (4 de entrenamiento / 4 de validación).
• Clases: 80 categorías de COCO.
• Etiquetas: Polígonos en formato YOLO almacenados en labels/{train,val} que coinciden con cada archivo de imagen.
• Tamaño de descarga: ~1 MB.

Explora COCO8-Seg en la plataforma de Ultralytics para navegar por cada imagen con sus máscaras de polígono, 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.

Link to this sectionYAML 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.zip

Link to this sectionUso#

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 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="coco8-seg.yaml", epochs=100, imgsz=640)

Link to this sectionMuestras 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.

Link to this sectionCitas 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}
}

Nos gustaría reconocer al COCO Consortium 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.

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos COCO8-Seg y cómo se utiliza en Ultralytics YOLO26?#

El conjunto de datos COCO8-Seg es un conjunto de datos de segmentación de instancias compacto creado por Ultralytics, que consiste en las 8 primeras imágenes del conjunto de entrenamiento COCO 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 especialmente útil con YOLO26 de Ultralytics para iteraciones rápidas y la verificación de errores en la canalización antes de escalar a conjuntos de datos mayores. Para un uso detallado, consulta la página de entrenamiento del modelo.

Link to this section¿Cómo puedo entrenar un modelo YOLO26n-seg usando el conjunto de datos COCO8-Seg?#

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:

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)

Para una explicación exhaustiva de los argumentos disponibles y las opciones de configuración, puedes consultar la documentación de Entrenamiento.

Link to this section¿Por qué es importante el conjunto de datos COCO8-Seg para el desarrollo y la depuración de modelos?#

Dado que el bucle de descarga y entrenamiento/validación es mucho menor que el del conjunto COCO completo, COCO8-Seg te permite ejecutar una pasada de entrenamiento y validación para detectar errores en la canalización —como un cargador de datos roto, una función de pérdida mal configurada o una mala aumentación— antes de comprometerte con un conjunto de datos mayor. Obtén más información sobre los formatos de conjuntos de datos admitidos en la guía de conjuntos de datos de segmentación de Ultralytics.

Link to this section¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos COCO8-Seg?#

El archivo de configuración YAML para el conjunto de datos 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 conjunto de datos, las clases y los ajustes de configuración necesarios para el entrenamiento y la validación del modelo.

Link to this section¿Cómo se compara COCO8-Seg con COCO128-Seg y el conjunto de datos COCO-Seg completo?#

COCO8-Seg (8 imágenes) se sitúa por debajo de COCO128-Seg (128 imágenes) y del conjunto de datos COCO-Seg completo (118 287 imágenes de entrenamiento) en cuanto a 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.