Jeu de données COCO128-Seg#

128

COCO128-Seg

ultralytics

publicSegment

COCO128-Seg is an Ultralytics compact instance-segmentation subset built from the first 128 COCO 2017 training images. Real polygons span the 80-class taxonomy and include empty scenes for fast checks of mask loading, augmentation, training, and export.

80 classes9.9 MBSep 2, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocotesting+1

Introduction#

Ultralytics COCO128-Seg est un petit jeu de données polyvalent de segmentation d’instances, composé des 128 premières images de l’ensemble d’entraînement COCO 2017. Ce jeu de données est idéal pour tester et déboguer des modèles de segmentation ou expérimenter de nouvelles approches de détection. Avec 128 images, il est suffisamment petit pour être facilement gérable, tout en étant assez diversifié pour tester les pipelines d’entraînement à la recherche d’erreurs et servir de contrôle de cohérence avant l’entraînement sur des jeux de données plus volumineux.

Structure du jeu de données#

• Images : 128 au total, avec des ensembles d’entraînement et de validation identiques (voir la remarque ci-dessous).
• Classes : les mêmes 80 catégories d’objets que COCO.
• Annotations : polygones au format YOLO stockés dans labels/train2017 pour le répertoire d’images partagé entre l’entraînement et la validation.
• Taille du téléchargement : ~7 Mo.

Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.

YAML du jeu de données#

Un fichier YAML sert à 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. Pour le jeu de données COCO128-Seg, le fichier coco128-seg.yaml est maintenu à l’adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.

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

# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco128-seg
# Example usage: yolo train data=coco128-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128-seg ← downloads here (7 MB)

# 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128-seg.zip

Utilisation#

Pour entraîner un modèle YOLO26n-seg sur le jeu de données COCO128-Seg pendant 100 époques avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des arguments disponibles, reporte-toi à 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="coco128-seg.yaml", epochs=100, imgsz=640)

Exemples d’images et d’annotations#

Voici quelques exemples d’images du jeu de données COCO128-Seg, accompagnés de leurs annotations correspondantes :

• Image en mosaïque : cette image présente un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La 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 contribue à améliorer la capacité du modèle à se généraliser à différentes tailles d’objets, proportions et contextes.

Citations et remerciements#

Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, merci de citer l’article suivant :

@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 COCO Consortium d’avoir créé et de maintenir cette ressource précieuse 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#