Link to this sectionJeu de données COCO8-Seg#
Link to this sectionIntroduction#
Ultralytics COCO8-Seg est un petit jeu de données polyvalent de segmentation d'instances composé des 8 premières images de l'ensemble COCO train 2017, dont 4 pour l'entraînement et 4 pour la validation. Ce jeu de données est idéal pour tester et déboguer des modèles de segmentation, ou pour expérimenter de nouvelles approches de détection. Avec 8 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 vérification de base avant d'entraîner sur des jeux de données plus volumineux.
Link to this sectionStructure du jeu de données#
- Images : 8 au total (4 train / 4 val).
- Classes : 80 catégories COCO.
- Étiquettes : Polygones au format YOLO stockés sous
labels/{train,val}correspondant à chaque fichier image. - Taille du téléchargement : ~1 Mo.
Explore COCO8-Seg sur la plateforme Ultralytics pour parcourir chaque image avec ses masques polygonaux, visualiser la distribution des classes et les cartes de chaleur des annotations dans l'onglet Charts, et clone-le pour entraîner ton propre modèle dans le cloud.
Link to this sectionYAML du jeu de données#
Un fichier YAML 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 COCO8-Seg, le fichier coco8-seg.yaml est maintenu sur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zipLink to this sectionUtilisation#
Pour entraîner un modèle YOLO26n-seg sur le jeu de données COCO8-Seg pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une 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="coco8-seg.yaml", epochs=100, imgsz=640)Link to this sectionExemples d'images et annotations#
Voici quelques exemples d'images du jeu de données COCO8-Seg, accompagnées de leurs annotations correspondantes :
- Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule pour augmenter la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide à améliorer la capacité du modèle à généraliser à différentes tailles d'objets, ratios d'aspect et contextes.
Link to this sectionCitations 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 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 le jeu de données COCO et ses créateurs, visite le site web du jeu de données COCO.
Link to this sectionFAQ#
Link to this sectionQu'est-ce que le jeu de données COCO8-Seg et comment est-il utilisé dans Ultralytics YOLO26 ?#
Le jeu de données COCO8-Seg est un jeu de données de segmentation d'instances compact fourni par Ultralytics, composé des 8 premières images de l'ensemble d'entraînement COCO 2017 (4 pour l'entraînement, 4 pour la validation). Ce jeu de données est conçu pour tester et déboguer les modèles de segmentation ou expérimenter de nouvelles méthodes de détection. Il est particulièrement utile avec Ultralytics YOLO26 pour une itération rapide et la vérification des erreurs de pipeline avant de passer à des jeux de données plus importants. Pour une utilisation détaillée, consulte la page Training du modèle.
Link to this sectionComment puis-je entraîner un modèle YOLO26n-seg en utilisant le jeu de données COCO8-Seg ?#
Pour entraîner un modèle YOLO26n-seg sur le jeu de données COCO8-Seg pendant 100 époques avec une taille d'image de 640, tu peux utiliser Python ou les commandes CLI. Voici un exemple rapide :
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="coco8-seg.yaml", epochs=100, imgsz=640)Pour une explication approfondie des arguments disponibles et des options de configuration, tu peux consulter la documentation Entraînement.
Link to this sectionPourquoi le jeu de données COCO8-Seg est-il important pour le développement et le débogage de modèles ?#
Comme la boucle de téléchargement et d'entraînement/validation est beaucoup plus petite que celle du jeu COCO complet, COCO8-Seg te permet d'exécuter une passe d'entraînement et de validation pour détecter les erreurs de pipeline — un chargeur de données défectueux, une perte mal configurée ou une mauvaise augmentation — avant de t'engager sur un jeu de données plus vaste. Apprends-en davantage sur les formats de jeux de données pris en charge dans le guide des jeux de données de segmentation Ultralytics.
Link to this sectionOù puis-je trouver le fichier de configuration YAML pour le jeu de données COCO8-Seg ?#
Le fichier de configuration YAML pour le jeu de données COCO8-Seg est disponible dans le dépôt Ultralytics. Tu peux accéder au fichier directement sur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. Le fichier YAML inclut des informations essentielles sur les chemins du jeu de données, les classes et les paramètres de configuration requis pour l'entraînement et la validation du modèle.
Link to this sectionComment COCO8-Seg se compare-t-il à COCO128-Seg et au jeu de données complet COCO-Seg ?#
COCO8-Seg (8 images) se situe en dessous de COCO128-Seg (128 images) et du jeu de données complet COCO-Seg (118 287 images d'entraînement) en termes de taille :
- COCO8-Seg : 8 images (4 train, 4 val) — la vérification de cohérence la plus rapide, idéale pour la CI et le débogage rapide.
- COCO128-Seg : 128 images — équilibré entre taille et diversité, avec train et val partageant le même répertoire.
- COCO-Seg complet : 118 287 images d'entraînement — complet mais gourmand en ressources, nécessitant ~27 Go lors du premier téléchargement.
Utilise COCO8-Seg pour une vérification de pipeline la plus rapide possible, puis passe à COCO128-Seg ou au jeu de données complet COCO-Seg à mesure que ta confiance grandit.