Link to this sectionDataset Cityscapes8#

Link to this sectionIntroducción#

El dataset Cityscapes8 de Ultralytics es un dataset compacto de segmentación semántica con 8 imágenes tomadas del dataset Cityscapes: 4 para entrenamiento y 4 para validación. Está diseñado para pruebas rápidas, depuración y experimentación con modelos de segmentación semántica YOLO y pipelines de entrenamiento. Su contenido de escenas urbanas proporciona una comprobación útil del pipeline antes de escalar al dataset Cityscapes completo.

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

Link to this sectionEstructura del dataset#

Cityscapes8 refleja el diseño del conjunto de datos completo, sin una división 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 etiquetas de Cityscapes de origen en los 19 ID de entrenamiento contiguos descritos en la estructura del conjunto de datos Cityscapes completo.

Explora Cityscapes8 en Ultralytics Platform para navegar por cada imagen con sus máscaras de segmentación y clonarla para entrenar en la nube.

Link to this sectionYAML del dataset#

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

Link to this sectionUso#

Para entrenar un modelo YOLO26n-sem en el dataset Cityscapes8 durante 100 epochs con un tamaño de imagen de 1024, utiliza los siguientes ejemplos. Para ver una lista completa de opciones de entrenamiento, consulta la documentación de entrenamiento de YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Link to this sectionCitas, Licencia y Agradecimientos#

Cityscapes8 se muestrea a partir de Cityscapes, que se publica bajo una licencia personalizada no comercial; consulta la página del conjunto de datos Cityscapes completa para obtener más detalles.

Si utilizas el dataset Cityscapes en tu investigación o desarrollo, por favor 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}
}

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

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el conjunto de datos Ultralytics Cityscapes8?#

El dataset Ultralytics Cityscapes8 está diseñado para realizar pruebas rápidas y depuración de modelos de segmentación semántica. Con solo 8 imágenes (4 para entrenamiento, 4 para validación), es ideal para verificar pipelines de segmentación semántica YOLO, incluyendo la carga de máscaras, aumentos, validación y rutas de exportación, antes de escalar al dataset Cityscapes completo. Explora la configuración YAML de Cityscapes8 para obtener más detalles.

Link to this section¿En qué se diferencia Cityscapes8 del conjunto de datos Cityscapes completo?#

Cityscapes8 toma una muestra de 8 imágenes (4 de entrenamiento, 4 de validación) de la división de 2,975 imágenes de entrenamiento/500 de validación de Cityscapes, utilizando las mismas 19 clases y label_mapping, por lo que una canalización que funciona en Cityscapes8 funciona sin modificaciones en el conjunto de datos completo; solo apunta data= a cityscapes.yaml en lugar de a cityscapes8.yaml. A diferencia del conjunto de datos completo, Cityscapes8 no requiere pasos de descarga manual ni tiene una división test.

Link to this section¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos Cityscapes8?#

Puedes entrenar un modelo de segmentación semántica YOLO26 en Cityscapes8 usando Python o la CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Para opciones de entrenamiento adicionales, consulta la documentación de entrenamiento de YOLO.

Link to this section¿Debo usar Cityscapes8 para evaluación comparativa?#

No. Cityscapes8 es demasiado pequeño para una comparación de modelos significativa y está destinado a la comprobación de pipelines de entrenamiento y evaluación. Utiliza el set de validación de Cityscapes completo cuando necesites resultados de referencia representativos para segmentación semántica.