Jeu de données COCO-Seg#

Le jeu de données COCO-Seg fournit des masques de segmentation d'instance COCO (Common Objects in Context) — 118 287 images d'entraînement et 5 000 images de validation avec des masques polygonaux répartis sur 80 catégories d'objets — au format d'étiquette Ultralytics YOLO. Il utilise les images d'origine de COCO et ses annotations de segmentation natives, converties pour l'entraînement avec YOLO, ce qui en fait une ressource essentielle pour les chercheurs et les développeurs travaillant sur des tâches de segmentation d'instance.

Modèles pré-entraînés COCO-Seg#

Fonctionnalités clés#

• COCO-Seg fournit des masques de segmentation d'instance pour 123 287 images étiquetées COCO train2017/val2017 (118 287 train + 5 000 val), sur le jeu de données plus large de ~330K images de COCO.
• Le jeu de données se compose des 80 mêmes catégories d'objets présentes dans le jeu de données COCO original.
• Les annotations fournissent des masques de segmentation d'instance au format d'étiquette polygonale YOLO.
• COCO-Seg fournit des métriques mAP et mAR standardisées pour évaluer les performances de segmentation d'instance, permettant une comparaison efficace des performances des modèles.
• Taille du téléchargement : ~20,3 Go lors de la première utilisation (train2017.zip + val2017.zip + étiquettes). Les 7 Go de test2017.zip ne sont pas téléchargés automatiquement, car ces images ont des vérités terrain masquées et ne sont nécessaires que pour une soumission test-dev2017.

Structure du jeu de données#

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

1. Train2017 : 118 287 images pour l'entraînement de modèles de segmentation d'instance.
2. Val2017 : 5 000 images utilisées pour la validation durant le développement du modèle.
3. Test-dev2017 : 20 288 des 40 670 images test2017, utilisées pour l'évaluation comparative. Les annotations de vérité terrain pour ce sous-ensemble ne sont pas accessibles publiquement, les prédictions doivent donc être soumises au serveur d'évaluation COCO pour la notation.

Pour des besoins d'expérimentation plus légers, consulte les sous-ensembles COCO128-Seg (128 images) et COCO8-Seg (8 images).

Applications#

COCO-Seg est largement utilisé pour entraîner et évaluer des modèles de deep learning 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 chercheurs et les praticiens de la vision par ordinateur. Les annotations complètes de COCO-Seg peuvent également être consultées et gérées sur la Plateforme Ultralytics.

YAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins, les classes et d'autres détails pertinents du jeu de données. Dans le cas du jeu de données COCO-Seg, le fichier coco.yaml est hébergé sur 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 (20.3 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 via https://cocodataset.org/#detection-eval

# 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 (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Utilisation#

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

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 annotations#

COCO-Seg contient les mêmes images diverses, catégories d'objets et scènes complexes que COCO, avec des masques de segmentation d'instance fournis au format d'étiquette YOLO. Voici quelques exemples d'images du dataset, accompagnées de leurs masques de segmentation d'instance correspondants :

• Image en mosaïque : Cette image montre un lot d'entraînement composé d'images du jeu de données assemblées en mosaïque. La mise en mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule pour accroître la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide le modèle à mieux généraliser à différentes tailles d'objets, proportions et contextes.

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 sur COCO et de reconnaître l'extension à 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 chaleureusement le Consortium COCO pour la création et la maintenance de cette ressource inestimable destinée à 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#