Conjunto de datos COCO8-Seg

Q: What is the COCO8-Seg dataset, and how is it used in Ultralytics YOLOv8?

El conjunto de datos COCO8-Seg es un conjunto de datos de segmentación de instancia compacta de Ultralytics, formado por las 8 primeras imágenes del conjunto COCO train 2017-4 imágenes para entrenamiento y 4 para validación. Este conjunto de datos está pensado para probar y depurar modelos de segmentación o experimentar con nuevos métodos de detección. Es especialmente útil con Ultralytics YOLOv8 y HUB para la iteración rápida y la comprobación de errores de canalización antes de escalar a conjuntos de datos más grandes. Para un uso detallado, consulta la página Entrenamiento del modelo.

Q: Why is the COCO8-Seg dataset important for model development and debugging?

El conjunto de datos COCO8-Seg es ideal por su manejabilidad y diversidad dentro de un tamaño reducido. Consta de sólo 8 imágenes, lo que proporciona una forma rápida de probar y depurar modelos de segmentación o nuevos enfoques de detección sin la sobrecarga de conjuntos de datos más grandes. Esto lo convierte en una herramienta eficaz para las comprobaciones de sanidad y la identificación de errores de canalización antes de comprometerse a un entrenamiento exhaustivo en grandes conjuntos de datos. Más información sobre los formatos de los conjuntos de datos aquí.

Q: Where can I find the YAML configuration file for the COCO8-Seg dataset?

El archivo de configuración YAML para el conjunto de datos COCO8-Seg está disponible en el repositorio Ultralytics . Puedes acceder directamente al archivo aquí. 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.

Q: What are some benefits of using mosaicing during training with the COCO8-Seg dataset?

Utilizar mosaicos durante el entrenamiento ayuda a aumentar la diversidad y variedad de objetos y escenas en cada lote de entrenamiento. Esta técnica combina varias imágenes en una sola imagen compuesta, lo que mejora 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 solidez 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.

Introducción

Ultralytics COCO8-Seg es un pequeño pero versátil conjunto de datos de segmentación de instancias compuesto por las 8 primeras 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 fácilmente manejable, pero lo suficientemente diverso como para comprobar los errores de los procesos de entrenamiento y actuar como un control de sanidad antes de entrenar conjuntos de datos más grandes.

Este conjunto de datos está pensado para su uso con Ultralytics HUB y YOLOv8.

Conjunto de datos YAML

Se utiliza un archivo YAML (Yet Another Markup Language) 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/cfg/datasets/coco8-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

Utilización

Para entrenar un modelo YOLOv8n-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 Entrenamiento del modelo.

Ejemplo de tren

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Ejemplos de imágenes y anotaciones

He aquí 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 del conjunto de datos en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina varias 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 generalizarse a diferentes tamaños de objetos, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos COCO8-Seg y las ventajas de utilizar mosaicos durante el proceso de entrenamiento.

Citas y agradecimientos

Si utilizas el conjunto de datos COCO en tu trabajo de investigación o desarrollo, cita el siguiente documento:

BibTeX

@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 por ordenador. Para 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 YOLOv8 ?

El conjunto de datos COCO8-Seg es un conjunto de datos de segmentación de instancia compacta de Ultralytics, formado por las 8 primeras imágenes del conjunto COCO train 2017-4 imágenes para entrenamiento y 4 para validación. Este conjunto de datos está pensado para probar y depurar modelos de segmentación o experimentar con nuevos métodos de detección. Es especialmente útil con Ultralytics YOLOv8 y HUB para la iteración rápida y la comprobación de errores de canalización 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 YOLOv8n-seg utilizando el conjunto de datos COCO8-Seg?

Para entrenar un modelo YOLOv8n-seg en el conjunto de datos COCO8-Seg durante 100 épocas con un tamaño de imagen de 640, puedes utilizar los comandos Python o CLI . Aquí tienes un ejemplo rápido:

Ejemplo de tren

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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=yolov8n-seg.pt epochs=100 imgsz=640

Para una explicación detallada de los argumentos y opciones de configuración disponibles, puedes consultar la documentación de Formación.

¿Por qué es importante el conjunto de datos COCO8-Seg para el desarrollo y la depuración de modelos?

El conjunto de datos COCO8-Seg es ideal por su manejabilidad y diversidad dentro de un tamaño reducido. Consta de sólo 8 imágenes, lo que proporciona una forma rápida de probar y depurar modelos de segmentación o nuevos enfoques de detección sin la sobrecarga de conjuntos de datos más grandes. Esto lo convierte en una herramienta eficaz para las comprobaciones de sanidad y la identificación de errores de canalización antes de comprometerse a un entrenamiento exhaustivo en grandes conjuntos de datos. Más información sobre los formatos de los conjuntos de datos aquí.

¿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 Ultralytics . Puedes acceder directamente al archivo aquí. 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 las ventajas de utilizar mosaicos durante el entrenamiento con el conjunto de datos COCO8-Seg?

Utilizar mosaicos durante el entrenamiento ayuda a aumentar la diversidad y variedad de objetos y escenas en cada lote de entrenamiento. Esta técnica combina varias imágenes en una sola imagen compuesta, lo que mejora 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 solidez 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.

📅 Created 10 months ago ✏️ Updated 4 days ago