COCO8-Seg डेटासेट

परिचय

Ultralytics COCO8-Seg एक छोटा, लेकिन बहुमुखी उदाहरण विभाजन डेटासेट है जो COCO ट्रेन 2017 सेट की पहली 8 छवियों, प्रशिक्षण के लिए 4 और सत्यापन के लिए 4 से बना है। यह डेटासेट विभाजन मॉडल के परीक्षण और डिबगिंग के लिए, या नए पहचान दृष्टिकोणों के साथ प्रयोग करने के लिए आदर्श है। 8 छवियों के साथ, यह आसानी से प्रबंधनीय होने के लिए काफी छोटा है, फिर भी त्रुटियों के लिए प्रशिक्षण पाइपलाइनों का परीक्षण करने और बड़े डेटासेट को प्रशिक्षित करने से पहले एक विवेक जांच के रूप में कार्य करने के लिए पर्याप्त विविध है।

यह डेटासेट उपयोग के लिए अभिप्रेत है Ultralytics HUB और YOLOv8.

डेटासेट YAML

डेटासेट कॉन्फ़िगरेशन को परिभाषित करने के लिए एक YAML (अभी तक एक और मार्कअप भाषा) फ़ाइल का उपयोग किया जाता है। इसमें डेटासेट के पथ, कक्षाओं और अन्य प्रासंगिक जानकारी के बारे में जानकारी होती है। COCO8-Seg डेटासेट के मामले में, coco8-seg.yaml फ़ाइल पर बनाए रखा जाता है https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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.zip

उपयोग

एक प्रशिक्षित करने के लिए YOLOv8n-SEG मॉडल COCO8-Seg डेटासेट पर 100 युगों के लिए 640 के छवि आकार के साथ, आप निम्न कोड स्निपेट का उपयोग कर सकते हैं। उपलब्ध तर्कों की व्यापक सूची के लिए, मॉडल प्रशिक्षण पृष्ठ देखें।

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

नमूना छवियाँ और एनोटेशन

यहां COCO8-Seg डेटासेट से छवियों के कुछ उदाहरण दिए गए हैं, साथ ही उनके संबंधित एनोटेशन के साथ:

• मोज़ेड छवि: यह छवि मोज़ेक डेटासेट छवियों से बना एक प्रशिक्षण बैच प्रदर्शित करती है। मोज़ेसिंग प्रशिक्षण के दौरान उपयोग की जाने वाली एक तकनीक है जो प्रत्येक प्रशिक्षण बैच के भीतर वस्तुओं और दृश्यों की विविधता को बढ़ाने के लिए कई छवियों को एक ही छवि में जोड़ती है। यह विभिन्न ऑब्जेक्ट आकारों, पहलू अनुपात और संदर्भों को सामान्यीकृत करने की मॉडल की क्षमता को बेहतर बनाने में मदद करता है।

उदाहरण COCO8-Seg डेटासेट में छवियों की विविधता और जटिलता और प्रशिक्षण प्रक्रिया के दौरान मोज़ेकिंग का उपयोग करने के लाभों को प्रदर्शित करता है।

प्रशंसा पत्र और पावती

यदि आप अपने शोध या विकास कार्य में COCO डेटासेट का उपयोग करते हैं, तो कृपया निम्नलिखित पेपर का हवाला दें:

@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}
}

हम कंप्यूटर दृष्टि समुदाय के लिए इस मूल्यवान संसाधन को बनाने और बनाए रखने के लिए कोको कंसोर्टियम को स्वीकार करना चाहते हैं। COCO डेटासेट और इसके रचनाकारों के बारे में अधिक जानकारी के लिए, COCO डेटासेट वेबसाइट पर जाएँ।

अक्सर पूछे जाने वाले प्रश्न

COCO8-Seg डेटासेट क्या है, और इसका उपयोग कैसे किया जाता है Ultralytics YOLOv8?

COCO8-Seg डेटासेट एक कॉम्पैक्ट इंस्टेंस सेगमेंटेशन डेटासेट हैUltralytics, COCO ट्रेन 2017 सेट से पहली 8 छवियों से मिलकर- प्रशिक्षण के लिए 4 छवियां और सत्यापन के लिए 4। यह डेटासेट विभाजन मॉडल के परीक्षण और डिबगिंग या नई पहचान विधियों के साथ प्रयोग करने के लिए तैयार किया गया है। यह विशेष रूप से उपयोगी है Ultralytics YOLOv8 और बड़े डेटासेट में स्केलिंग से पहले तेजी से पुनरावृत्ति और पाइपलाइन त्रुटि-जांच के लिए हब । विस्तृत उपयोग के लिए, मॉडल प्रशिक्षण पृष्ठ देखें।

मैं कैसे प्रशिक्षित कर सकता हूं YOLOv8n-SEG मॉडल COCO8-Seg डेटासेट का उपयोग कर रहा है?

एक को प्रशिक्षित करने के लिए YOLOv8n-seg मॉडल COCO8-Seg डेटासेट पर 100 युगों के लिए 640 की छवि आकार के साथ, आप उपयोग कर सकते हैं Python नहीं तो CLI आदेश। यहाँ एक त्वरित उदाहरण है:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # Load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8-seg.yaml model=yolov8n.pt epochs=100 imgsz=640

उपलब्ध तर्कों और कॉन्फ़िगरेशन विकल्पों की गहन व्याख्या के लिए, आप प्रशिक्षण दस्तावेज़ीकरण की जांच कर सकते हैं।

मॉडल विकास और डिबगिंग के लिए COCO8-SEG डेटासेट क्यों महत्वपूर्ण है?

COCO8-Seg डेटासेट छोटे आकार के भीतर इसकी प्रबंधनीयता और विविधता के लिए आदर्श है। इसमें केवल 8 छवियां होती हैं, जो बड़े डेटासेट के ओवरहेड के बिना विभाजन मॉडल या नए पहचान दृष्टिकोण का परीक्षण और डीबग करने का एक त्वरित तरीका प्रदान करती हैं। यह बड़े डेटासेट पर व्यापक प्रशिक्षण के लिए प्रतिबद्ध होने से पहले विवेक जांच और पाइपलाइन त्रुटि पहचान के लिए एक कुशल उपकरण बनाता है। यहां डेटासेट प्रारूपों के बारे में अधिक जानें।

मुझे COCO8-Seg डेटासेट के लिए YAML कॉन्फ़िगरेशन फ़ाइल कहां मिल सकती है?

COCO8-Seg डेटासेट के लिए YAML कॉन्फ़िगरेशन फ़ाइल में उपलब्ध हैUltralytics कोष। आप सीधे यहां फ़ाइल तक पहुंच सकते हैं। YAML फ़ाइल में मॉडल प्रशिक्षण और सत्यापन के लिए आवश्यक डेटासेट पथ, कक्षाएं और कॉन्फ़िगरेशन सेटिंग्स के बारे में आवश्यक जानकारी शामिल है।

COCO8-Seg डेटासेट के साथ प्रशिक्षण के दौरान मोज़ेसिंग का उपयोग करने के कुछ लाभ क्या हैं?

प्रशिक्षण के दौरान मोज़ेसिंग का उपयोग प्रत्येक प्रशिक्षण बैच में वस्तुओं और दृश्यों की विविधता और विविधता को बढ़ाने में मदद करता है। यह तकनीक कई छवियों को एक एकल समग्र छवि में जोड़ती है, जिससे मॉडल की दृश्य के भीतर विभिन्न वस्तु आकारों, पहलू अनुपातों और संदर्भों को सामान्यीकृत करने की क्षमता बढ़ जाती है। मॉडल की मजबूती और सटीकता में सुधार के लिए मोज़ेसिंग फायदेमंद है, खासकर जब COCO8-Seg जैसे छोटे डेटासेट के साथ काम करना। मोज़ेक की गई छवियों के उदाहरण के लिए, नमूना छवियाँ और एनोटेशन अनुभाग देखें।

टिप्पणियाँ