Conjunto de datos COCO8-Seg
Introducción
El COCO8-Seg de Ultralytics es un conjunto de datos pequeño pero versátil de segmentación de instancias compuesto por las 8 primeras 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 canalizaciones de entrenamiento en busca de errores y actuar como una comprobación de integridad antes de entrenar conjuntos de datos más grandes.
Estructura del conjunto de datos
- 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}coincidiendo con cada archivo de imagen.
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 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 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="coco8-seg.yaml", epochs=100, imgsz=640)Imágenes y anotaciones de muestra
Aquí tienes algunos ejemplos de imágenes del conjunto de datos COCO8-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 COCO8-Seg y las ventajas de usar mosaico 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 COCO8-Seg y cómo se utiliza en Ultralytics YOLO26?
El conjunto de datos COCO8-Seg es un conjunto de datos compacto de segmentación de instancias de Ultralytics, que consta de las 8 primeras imágenes del conjunto train 2017 de COCO: 4 imágenes para entrenamiento y 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 Ultralytics YOLO26 y Platform para una iteración rápida y la comprobación de errores en la canalización antes de escalar a conjuntos de datos más grandes. Para obtener un uso detallado, consulta la página de Entrenamiento del modelo.
¿Cómo puedo entrenar un modelo YOLO26n-seg utilizando 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 utilizar 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 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 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 experimentar con nuevas técnicas de detección. Su pequeño tamaño permite comprobaciones de integridad rápidas y una validación inicial de la canalización, lo que ayuda a identificar problemas antes de escalar a conjuntos de datos más grandes. Aprende más sobre los formatos de conjunto 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 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, las clases y los ajustes de configuración del conjunto de datos necesarios para el entrenamiento y la validación del modelo.
¿Cuáles son algunos de los beneficios de utilizar el mosaico durante el entrenamiento con el conjunto de datos COCO8-Seg?
El uso de mosaico 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 precisión de un modelo, especialmente cuando se trabaja con conjuntos de datos pequeños como COCO8-Seg. Para ver un ejemplo de imágenes en mosaico, consulta la sección Imágenes de muestra y anotaciones.