Jeu de données COCO8-Seg#
Introduction#
Ultralytics COCO8-Seg est un jeu de données petit mais polyvalent de segmentation d’instances, composé des 8 premières images de l’ensemble COCO train 2017 : 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 segmentation. Avec ses 8 images, il est suffisamment petit pour être facilement gérable, mais assez varié pour tester les pipelines d’entraînement et détecter d’éventuelles erreurs, et servir de vérification de cohérence avant d’entraîner des modèles sur des jeux de données plus volumineux.
Structure du jeu de données#
- Images : 8 au total (4 pour l’entraînement / 4 pour la validation).
- Classes : 80 catégories COCO.
- Étiquettes : polygones au format YOLO stockés dans
labels/{train,val}, correspondant à chaque fichier image. - Taille du téléchargement : ~1 MB.
Explore COCO8-Seg sur Ultralytics Platform pour parcourir chaque image et ses masques polygonaux, consulter la distribution des classes et les cartes thermiques d’annotation dans l’onglet Graphiques, puis le cloner afin d’entraîner ton propre modèle dans le cloud.
Fichier YAML du jeu de données#
Un fichier YAML définit la configuration du jeu de données. Il contient des informations sur les chemins d’accès, les classes et d’autres éléments pertinents. Pour le jeu de données COCO8-Seg, le fichier coco8-seg.yaml est maintenu à 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.zipUtilisation#
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 obtenir la liste complète des arguments disponibles, consulte la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n-seg.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)Exemples d’images et annotations#
Voici quelques exemples d’images du jeu de données COCO8-Seg, accompagnées de leurs annotations correspondantes :
- Image en mosaïque : cette image montre 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. Elle 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 dans tes travaux de recherche ou de développement, cite 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 consortium COCO d’avoir créé et maintenu cette ressource précieuse pour la communauté de la vision par ordinateur. Pour en savoir plus sur le jeu de données COCO et ses créateurs, consulte le site Web du jeu de données COCO.
FAQ#
Le jeu de données COCO8-Seg est un jeu de données compact de segmentation d’instances proposé par Ultralytics. Il comprend les 8 premières images du jeu COCO train 2017 (4 pour l’entraînement et 4 pour la validation). Il est conçu pour tester et déboguer des modèles de segmentation ou expérimenter de nouvelles méthodes de segmentation. Il est particulièrement utile avec YOLO26 d’Ultralytics pour itérer rapidement et vérifier les erreurs du pipeline avant de passer à des jeux de données plus grands. Pour des instructions détaillées, consulte la page Entraînement du modèle.
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 des commandes Python ou CLI. Voici un exemple rapide :
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle model = YOLO("yolo26n-seg.pt") # Charger un modèle préentraîné (recommandé pour l’entraînement) # Entraîner le modèle results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)Pour obtenir une explication détaillée des arguments disponibles et des options de configuration, consulte la documentation sur l’Entraînement.
Comme le téléchargement et la boucle d’entraînement/validation sont bien plus légers qu’avec COCO complet, COCO8-Seg te permet d’exécuter un cycle d’entraînement et de validation pour détecter les erreurs du pipeline — chargeur de données défectueux, fonction de perte mal configurée ou augmentation inadaptée — avant de passer à un jeu de données plus grand. Pour en savoir plus sur les formats de jeux de données pris en charge, consulte le guide des jeux de données de segmentation Ultralytics.
Le fichier de configuration YAML du jeu de données COCO8-Seg est disponible dans le dépôt Ultralytics. Tu peux accéder directement au fichier à l’adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. Le fichier YAML contient les informations essentielles sur les chemins d’accès au jeu de données, les classes et les paramètres de configuration requis pour l’entraînement et la validation du modèle.
En termes de taille, COCO8-Seg (8 images) se situe en dessous de COCO128-Seg (128 images) et du jeu de données COCO-Seg complet (118 287 images d’entraînement) :
- COCO8-Seg : 8 images (4 pour l’entraînement, 4 pour la validation) — la vérification rapide la plus rapide, idéale pour la CI et le débogage rapide.
- COCO128-Seg : 128 images — un équilibre entre taille et diversité, avec les images d’entraînement et de validation dans le même répertoire.
- COCO-Seg complet : 118 287 images d’entraînement — complet, mais gourmand en ressources, avec un téléchargement initial nécessitant ~20 GB.
Utilise COCO8-Seg pour vérifier ton pipeline le plus rapidement possible, puis passe à COCO128-Seg ou au jeu de données COCO-Seg complet à mesure que tu gagnes en confiance.