Jeu de données COCO-Seg

La méthode COCO-Seg est un jeu de données, extension du jeu de données COCO (Common Objects in Context), spécialement conçu pour faciliter la recherche en la segmentation d'instancessegmentation d'objets. Il utilise les mêmes images que COCO mais introduit des annotations de segmentation plus détaillées. Ce jeu de données est une ressource cruciale pour les chercheurs et développeurs travaillant sur des tâches de segmentation d'instance, en particulier pour l'entraînement de Ultralytics YOLO bien entraînés.

modèles pré-entraînés COCO-Seg

Fonctionnalités clés

• COCO-Seg conserve les 330 000 images originales de COCO.
• Le jeu de données comprend les 80 mêmes catégories d'objets présentes dans le jeu de données COCO original.
• Les annotations incluent désormais des masques de segmentation d'instance plus détaillés pour chaque objet dans les images.
• COCO-Seg fournit des métriques d'évaluation standardisées comme mean Average Precision précision moyenne (mAP) pour la détection d'objets, et le rappel moyen Recall (mAR) pour les tâches de segmentation d'instance, permettant une comparaison efficace des performances des modèles.

Structure du jeu de données

Le jeu de données COCO-Seg est divisé en trois sous-ensembles :

1. Train2017Train : 118 000 images pour entraîner les modèles de segmentation d'instance.
2. Val2017Val : 5 000 images utilisées pour la validation lors du développement des modèles.
3. Test2017Test : 20 000 images utilisées pour l'évaluation comparative (benchmarking). Les annotations de vérité terrain pour ce sous-ensemble ne sont pas accessibles au public, les prédictions doivent donc être soumises au serveur d'évaluation COCO pour le score.

Applications

COCO-Seg est largement utilisé pour l'entraînement et l'évaluation de deep learning modèles en segmentation d'instance, tels que les modèles YOLO. Le grand nombre d'images annotées, la diversité des catégories d'objets et les métriques d'évaluation standardisées en font une ressource indispensable pour les computer vision chercheurs et praticiens.

YAML du jeu de données

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins du jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données COCO-Seg, le coco.yaml fichier est maintenu à https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

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

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.1 GB)

# 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: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# 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: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

Utilisation

Pour entraîner un modèle YOLO26n-seg sur le jeu de données COCO-Seg pendant 100 de validation. avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste exhaustive des arguments disponibles, consulte le modèle Entraînement.

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="coco.yaml", epochs=100, imgsz=640)

Exemples d'images et d'annotations

COCO-Seg, tout comme son prédécesseur COCO, contient un ensemble diversifié d'images avec diverses catégories d'objets et des scènes complexes. Cependant, COCO-Seg introduit des masques de segmentation d'instance plus détaillés pour chaque objet dans les images. Voici quelques exemples d'images du jeu de données, ainsi que leurs masques de segmentation d'instance correspondants :

• Image mosaïquée: Cette image montre un lot d'entraînement composé d'images du jeu de données en mosaïque. La technique de Mosaicing est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule image pour augmenter la variété des objets et des scènes dans chaque lot d'entraînement. Cela aide la capacité du modèle à se généraliser à différentes tailles d'objets, rapports d'aspect et contextes.

L'exemple présente la variété et la complexité des images dans le jeu de données COCO-Seg ainsi que les avantages de l'utilisation de la mosaïque pendant le processus d'entraînement.

Citations et remerciements

Si tu utilises le jeu de données COCO-Seg dans tes travaux de recherche ou de développement, merci de citer l'article original COCO et de reconnaître l'extension vers COCO-Seg :

@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}
}

Nous remercions le consortium COCO pour la création et la maintenance de cette ressource inestimable pour la communauté de la vision par ordinateur. Pour plus d'informations sur le jeu de données COCO et ses créateurs, visite le site web du jeu de données COCO.

FAQ

Qu'est-ce que le jeu de données COCO-Seg et en quoi diffère-t-il du jeu de données COCO original ?

La méthode COCO-Seg Le jeu de données est une extension du jeu de données original COCO (Common Objects in Context), spécifiquement conçu pour les tâches de segmentation d'instance. Bien qu'il utilise les mêmes images que le jeu de données COCO, COCO-Seg inclut des annotations de segmentation plus détaillées, en faisant une ressource puissante pour les chercheurs et développeurs se concentrant sur la segmentation d'instances d'objets.

Comment puis-je entraîner un modèle YOLO26 en utilisant le jeu de données COCO-Seg ?

Pour entraîner un modèle YOLO26n-seg sur le jeu de données COCO-Seg pendant 100 epochs avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste détaillée des arguments disponibles, consulte le Entraînement.

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="coco.yaml", epochs=100, imgsz=640)

Quelles sont les caractéristiques clés du jeu de données COCO-Seg ?

Le jeu de données COCO-Seg comprend plusieurs caractéristiques clés :

• Conserve les 330 000 images originales du jeu de données COCO.
• Annote les 80 mêmes catégories d'objets présentes dans le COCO original.
• Fournit des masques de segmentation d'instance plus détaillés pour chaque objet.
• Utilise des métriques d'évaluation standardisées telles que la Précision Moyenne Précision (mAP) pour object detection et le Rappel Moyen (mAR) pour les tâches de segmentation d'instance.

Quels modèles pré-entraînés sont disponibles pour COCO-Seg, et quelles sont leurs métriques de performance ?

Le jeu de données COCO-Seg prend en charge plusieurs modèles de segmentation YOLO26 pré-entraînés avec des métriques de performance variables. Voici un résumé des modèles disponibles et de leurs métriques clés :

Ces modèles vont du YOLO26n-seg léger au YOLO26x-seg plus puissant, offrant différents compromis entre vitesse et précision pour répondre aux exigences de diverses applications. Pour plus d'informations sur la sélection du modèle, visite la page des modèles Ultralytics.

Comment le jeu de données COCO-Seg est-il structuré et quels sous-ensembles contient-il ?

Le jeu de données COCO-Seg est divisé en trois sous-ensembles pour des besoins spécifiques d'entraînement et d'évaluation :

1. Train2017Train : Contient 118 000 images utilisées principalement pour l'entraînement des modèles de segmentation d'instance.
2. Val2017Val : Comprend 5 000 images utilisées pour la validation pendant le processus d'entraînement.
3. Test2017Test : Englobe 20 000 images réservées pour le test et l'évaluation comparative des modèles entraînés. Note que les annotations de vérité terrain pour ce sous-ensemble ne sont pas accessibles au public, et les résultats de performance sont soumis au serveur d'évaluation COCO pour évaluation.

Pour des besoins d'expérimentation plus réduits, tu pourrais aussi envisager d'utiliser le jeu de données COCO8-seg, qui est une version compacte contenant seulement 8 images de l'ensemble COCO train 2017.