Conjunto de datos Cityscapes8#

8

Cityscapes8

ultralytics

publicSemantic

Cityscapes8 is an eight-image, full-resolution semantic-segmentation sample for pipeline validation. It maps raw Cityscapes label IDs through the official 19-class training taxonomy, keeps ignored pixels as 255, and provides non-overlapping four-image train and validation partitions.

19 classes2.3 MBSep 2, 2026

roadsidewalkbuildingwall+15

cityscapessemantic-segmentationautonomous-driving+1

Introducción#

El conjunto de datos Cityscapes8 de Ultralytics es un conjunto compacto de segmentación semántica con 8 imágenes seleccionadas del conjunto de datos Cityscapes: 4 para entrenamiento y 4 para validación. Está diseñado para probar, depurar y experimentar rápidamente con modelos de segmentación semántica YOLO y flujos de entrenamiento. Su contenido de escenas urbanas permite comprobar el flujo de trabajo antes de ampliarlo al conjunto de datos Cityscapes completo.

Cityscapes8 utiliza las mismas 19 clases de evaluación y el mismo comportamiento de label_mapping que el conjunto de datos Cityscapes completo, y es totalmente compatible con los flujos de trabajo de segmentación semántica de YOLO26.

Estructura del conjunto de datos#

Cityscapes8 reproduce la estructura del conjunto de datos completo, pero sin una partición test:

cityscapes8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── masks/
    ├── train/  # 4 single-channel PNG masks
    └── val/    # 4 single-channel PNG masks

Las máscaras se emparejan con las imágenes mediante el campo masks_dir: masks, y label_mapping convierte los ID de etiqueta de origen de Cityscapes en los 19 ID de entrenamiento contiguos descritos en la estructura completa del conjunto de datos Cityscapes.

YAML del conjunto de datos#

La configuración del conjunto de datos Cityscapes8 se define en un archivo YAML que especifica las rutas del conjunto de datos, los nombres de las clases y otros metadatos esenciales. Puedes consultar el archivo oficial cityscapes8.yaml en el repositorio de GitHub de Ultralytics. El YAML incluye una URL de descarga del pequeño subconjunto empaquetado.

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

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

Uso#

Para entrenar un modelo YOLO26n-sem con el conjunto de datos Cityscapes8 durante 100 épocas y con un tamaño de imagen de 1024, usa los siguientes ejemplos. Consulta la documentación de entrenamiento de YOLO para ver la lista completa de opciones de entrenamiento.

from ultralytics import YOLO

# Cargar un modelo YOLO26n-sem preentrenado
model = YOLO("yolo26n-sem.pt")

# Entrenar el modelo con Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

También puedes gestionar Cityscapes8 y entrenar modelos de segmentación semántica en la nube con Ultralytics Platform.

Citas, licencia y agradecimientos#

Cityscapes8 se ha creado a partir de Cityscapes, que se distribuye con una licencia personalizada para uso no comercial: consulta la página completa del conjunto de datos Cityscapes para obtener más información.

Si utilizas el conjunto de datos Cityscapes en tus investigaciones o trabajos de desarrollo, cita el siguiente artículo:

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Nuestro agradecimiento especial al equipo de Cityscapes por sus continuas contribuciones a las comunidades de conducción autónoma y visión artificial.

Preguntas frecuentes#