Jeu de données COCO-Seg#

123,272

COCO 2017 Segmentation

ultralytics

publicSegment

COCO 2017 Segmentation is the canonical instance-segmentation benchmark across 80 everyday-object classes. Detailed polygons delineate objects in complex scenes with varied scale, crowding, occlusion, and context for standardized mask-quality evaluation.

80 classes11.6 GBSep 2, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

Le jeu de données COCO-Seg fournit des masques de segmentation d'instances COCO (objets courants dans leur contexte) — 118 287 images d'entraînement et 5 000 images de validation, avec des masques polygonaux couvrant 80 catégories d'objets — au format d'annotation Ultralytics YOLO. Il utilise les images originales et les annotations natives de segmentation de COCO, converties pour l'entraînement de YOLO, ce qui en fait une ressource essentielle pour les chercheurs et les développeurs travaillant sur des tâches de segmentation d'instances.

Modèles préentraînés COCO-Seg#

Fonctionnalités clés#

• COCO-Seg fournit des masques de segmentation d'instances pour 123 287 images COCO train2017/val2017 annotées (118 287 pour l'entraînement + 5 000 pour la validation), sur les quelque ~330 000 images de la version plus complète de COCO.
• Le jeu de données comprend les mêmes 80 catégories d'objets que le jeu de données COCO original.
• Les annotations fournissent des masques de segmentation d'instances au format d'annotation polygonal de YOLO.
• COCO-Seg fournit des métriques mAP et mAR standardisées pour évaluer les performances en segmentation d'instances, ce qui permet de comparer efficacement les performances des modèles.
• Taille du téléchargement : ~20,3 Go lors de la première utilisation (train2017.zip + val2017.zip + annotations). Le fichier test2017.zip de 7 Go n'est pas récupéré automatiquement, car ces images ont leurs annotations de vérité 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 entraîner des modèles de segmentation d'instances.
2. Val2017 : 5 000 images utilisées pour la validation pendant le développement du modèle.
3. Test-dev2017 : 20 288 des 40 670 images test2017, utilisées pour l'évaluation comparative. Les annotations de vérité terrain de ce sous-ensemble ne sont pas disponibles publiquement ; les prédictions doivent donc être envoyées au serveur d'évaluation COCO pour être évaluées.

Pour des expérimentations à plus petite échelle, 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 d'apprentissage profond en segmentation d'instances, 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 professionnels de la vision par ordinateur. Les annotations complètes de COCO-Seg peuvent également être consultées et gérées sur Ultralytics Platform.

YAML du jeu de données#

Un fichier YAML sert à définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès au jeu de données, les classes et d'autres informations pertinentes. Pour le jeu de données COCO-Seg, le fichier coco.yaml est géré à l'adresse 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 obtenir la liste complète 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 d’annotations#

COCO-Seg contient les mêmes images diversifiées, catégories d'objets et scènes complexes que COCO, avec des masques de segmentation d'instances fournis au format d'annotation YOLO. Voici quelques exemples d'images du jeu de données, accompagnés de leurs masques de segmentation d'instances 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 afin d'augmenter la variété des objets et des scènes dans chaque lot d'entraînement. Cela aide le modèle à se 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, cite l'article COCO original et mentionne l'extension 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 vivement le consortium COCO d'avoir créé et maintenu cette ressource inestimable pour la communauté de la vision par ordinateur. Pour plus d'informations sur le jeu de données COCO et ses créateurs, consulte le site web du jeu de données COCO.

FAQ#