Jeu de données Cityscapes8#

Introduction#

Le jeu de données Ultralytics Cityscapes8 est un jeu de données de semantic segmentation compact comprenant 8 images échantillonnées à partir du jeu de données Cityscapes : 4 pour l'entraînement et 4 pour la validation. Il est conçu pour des tests rapides, le débogage et l'expérimentation avec les modèles de segmentation sémantique YOLO et les pipelines d'entraînement. Son contenu de scènes urbaines fournit une vérification de pipeline utile avant de passer à l'échelle sur le jeu de données Cityscapes complet.

Cityscapes8 utilise les mêmes 19 classes d'évaluation et le même comportement label_mapping que le jeu de données Cityscapes complet, et est entièrement compatible avec les flux de travail de segmentation sémantique YOLO26.

Structure du jeu de données#

Cityscapes8 reflète la structure du jeu de données complet, sans répartition test :

cityscapes8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── masks/
    ├── train/  # 4 single-channel PNG masks
    └── val/    # 4 single-channel PNG masks

Les masques sont associés aux images via le champ masks_dir: masks, et label_mapping convertit les ID d'étiquettes Cityscapes sources en 19 ID d'entraînement contigus décrits dans la structure du jeu de données Cityscapes complet.

YAML du jeu de données#

La configuration du jeu de données Cityscapes8 est définie dans un fichier YAML de jeu de données, qui spécifie les chemins des jeux de données, les noms des classes et d'autres métadonnées essentielles. Tu peux consulter le fichier officiel cityscapes8.yaml dans le référentiel GitHub d'Ultralytics. Le fichier YAML inclut une URL de téléchargement pour le petit sous-ensemble empaqueté.

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

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

Utilisation#

Pour entraîner un modèle YOLO26n-sem sur le jeu de données Cityscapes8 pendant 100 epochs avec une taille d'image de 1024, utilise les exemples suivants. Pour obtenir une liste complète des options d'entraînement, consulte la documentation sur l'entraînement YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Tu peux également gérer Cityscapes8 et entraîner des modèles de segmentation sémantique dans le cloud avec Ultralytics Platform.

Citations, licence et remerciements#

Cityscapes8 est échantillonné à partir de Cityscapes, qui est publié sous une licence personnalisée non commerciale — consulte la page du jeu de données Cityscapes pour plus de détails.

Si tu utilises le jeu de données Cityscapes dans tes recherches ou ton développement, merci de citer le document suivant :

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Un grand merci à l'équipe Cityscapes pour ses contributions continues aux communautés de la conduite autonome et de la computer vision.

FAQ#