Ensemble de données COCO128-Seg
Introduction
Ultralytics COCO128-Seg est un ensemble de données de segmentation d'instances, petit mais polyvalent, composé des 128 premières images de l'ensemble COCO train 2017. Ce jeu de données est idéal pour tester et déboguer les modèles de segmentation, ou pour expérimenter de nouvelles approches de détection. Avec 128 images, il est suffisamment petit pour être facilement gérable, tout en étant suffisamment diversifié pour tester les pipelines d'entraînement et agir comme un contrôle de santé avant d'entraîner des ensembles de données plus importants.
Ce jeu de données est destiné à être utilisé avec HUB Ultralytics et YOLO11.
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 d'accès au jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données COCO128-Seg, le fichier coco128-seg.yaml fichier est maintenu à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
ultralytics.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/coco/
# Example usage: yolo train data=coco128.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 YOLO11n-seg sur l'ensemble de données COCO128-Seg pour 100 époques avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, reportez-vous à la page d'entraînement du modèle.
Exemple d'entraînement
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Images et annotations d'exemple
Voici quelques exemples d'images tirées de l'ensemble de données COCO128-Seg, ainsi que les annotations correspondantes :
- Image mosaïque : Cette image montre un lot d'entraînement composé d'images d'ensemble de données en mosaïque. La mosaïque 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 permet d'améliorer la capacité du modèle à se généraliser à différentes tailles d'objets, rapports hauteur/largeur et contextes.
Cet exemple illustre la variété et la complexité des images de l'ensemble de données COCO128-Seg et les avantages de l'utilisation du mosaïquage au cours du processus d'apprentissage.
Citations et remerciements
Si vous utilisez l'ensemble de données COCO dans vos travaux de recherche ou de développement, veuillez 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 tenons à remercier le COCO Consortium pour la création et la maintenance de cette ressource précieuse pour la communauté de la vision par ordinateur. Pour plus d'informations sur l'ensemble de données COCO et ses créateurs, visitez le site web de l'ensemble de données COCO.
FAQ
Qu'est-ce que l'ensemble de données COCO128-Seg et comment est-il utilisé dans Ultralytics YOLO11?
L'ensemble de données COCO128-Seg est un ensemble de données compact de segmentation d'instances d'Ultralytics, composé des 128 premières images de l'ensemble COCO train 2017. Ce jeu de données est conçu pour tester et déboguer les modèles de segmentation ou pour expérimenter de nouvelles méthodes de détection. Il est particulièrement utile avec Ultralytics YOLO11 et HUB pour l'itération rapide et la vérification des erreurs de pipeline avant de passer à des ensembles de données plus importants. Pour une utilisation détaillée, reportez-vous à la page Formation au modèle.
Comment puis-je entraîner un modèle YOLO11n-seg en utilisant le jeu de données COCO128-Seg ?
Pour entraîner un modèle YOLO11n-seg sur le jeu de données COCO128-Seg pendant 100 époques avec une taille d'image de 640, vous pouvez utiliser des commandes Python ou CLI . Voici un exemple rapide :
Exemple d'entraînement
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # Load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Pour une explication approfondie des arguments disponibles et des options de configuration, vous pouvez consulter la documentation Entraînement.
Pourquoi l'ensemble de données COCO128-Seg est-il important pour le développement et le débogage des modèles ?
L'ensemble de données COCO128-Seg offre une combinaison équilibrée de maniabilité et de diversité avec 128 images, ce qui le rend parfait pour tester et déboguer rapidement les modèles de segmentation ou pour expérimenter de nouvelles techniques de détection. Sa taille modérée permet des itérations d'entraînement rapides tout en offrant suffisamment de diversité pour valider les pipelines d'entraînement avant de passer à des ensembles de données plus importants. Pour en savoir plus sur les formats d'ensembles de données pris en charge, consultez le guide des ensembles de données de segmentationUltralytics .
Où puis-je trouver le fichier de configuration YAML pour le jeu de données COCO128-Seg ?
Le fichier de configuration YAML pour l'ensemble de données COCO128-Seg est disponible dans le référentiel Ultralytics . Vous pouvez accéder au fichier directement à l'ultralytics Le fichier YAML contient des informations essentielles sur les chemins d'accès au jeu de données, les classes et les paramètres de configuration nécessaires à l'entraînement et à la validation du modèle.
Quels sont les avantages de l'utilisation du mosaïquage pendant la formation avec l'ensemble de données COCO128-Seg ?
L'utilisation de mosaïques pendant la formation permet d'augmenter la diversité et la variété des objets et des scènes dans chaque lot de formation. Cette technique combine plusieurs images en une seule image composite, ce qui améliore la capacité du modèle à s'adapter à différentes tailles d'objets, à différents rapports d'aspect et à différents contextes au sein de la scène. La mosaïque permet d'améliorer la robustesse et la précision d'un modèle, en particulier lorsqu'il s'agit d'ensembles de données de taille modérée comme COCO128-Seg. Pour un exemple d'images mosaïquées, voir la section Exemples d'images et d'annotations.
