Set di dati COCO-Seg

Il dataset COCO-Seg, un'estensione del dataset COCO (Common Objects in Context), è stato appositamente progettato per aiutare la ricerca sulla segmentazione delle istanze degli oggetti. Utilizza le stesse immagini di COCO, ma introduce annotazioni di segmentazione più dettagliate. Questo set di dati è una risorsa fondamentale per i ricercatori e gli sviluppatori che lavorano su compiti di segmentazione delle istanze, in particolare per l'addestramento dei modelli YOLO .

Modelli pre-registrati COCO-Seg

Caratteristiche principali

• COCO-Seg conserva le 330K immagini originali di COCO.
• Il dataset è composto dalle stesse 80 categorie di oggetti presenti nel dataset COCO originale.
• Le annotazioni ora includono maschere di segmentazione dell'istanza più dettagliate per ogni oggetto nelle immagini.
• COCO-Seg fornisce metriche di valutazione standardizzate come la precisione media (mAP) per il rilevamento degli oggetti e il richiamo medio (mAR) per i compiti di segmentazione delle istanze, consentendo un confronto efficace delle prestazioni dei modelli.

Struttura del set di dati

Il set di dati COCO-Seg è suddiviso in tre sottoinsiemi:

1. Train2017: Questo sottoinsieme contiene 118K immagini per l'addestramento dei modelli di segmentazione delle istanze.
2. Val2017: Questo sottoinsieme comprende 5K immagini utilizzate per la convalida durante l'addestramento del modello.
3. Test2017: Questo sottoinsieme comprende 20.000 immagini utilizzate per il test e il benchmarking dei modelli addestrati. Le annotazioni di verità a terra per questo sottoinsieme non sono disponibili pubblicamente e i risultati vengono inviati al server di valutazione COCO per la valutazione delle prestazioni.

Applicazioni

COCO-Seg è ampiamente utilizzato per l'addestramento e la valutazione di modelli di deep learning nella segmentazione delle istanze, come i modelli YOLO . Il gran numero di immagini annotate, la diversità delle categorie di oggetti e le metriche di valutazione standardizzate lo rendono una risorsa indispensabile per i ricercatori e i professionisti della computer vision.

Set di dati YAML

Un file YAML (Yet Another Markup Language) è usato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del set di dati COCO-Seg, il file coco.yaml Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)

# 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/coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# 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: |
  from ultralytics.utils.downloads import download
  from pathlib import Path

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml['path'])  # dataset root dir
  url = 'https://github.com/ultralytics/assets/releases/download/v0.0.0/'
  urls = [url + ('coco2017labels-segments.zip' if segments else 'coco2017labels.zip')]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = ['http://images.cocodataset.org/zips/train2017.zip',  # 19G, 118k images
          'http://images.cocodataset.org/zips/val2017.zip',  # 1G, 5k images
          'http://images.cocodataset.org/zips/test2017.zip']  # 7G, 41k images (optional)
  download(urls, dir=dir / 'images', threads=3)

Utilizzo

Per addestrare un modello YOLO11n-seg sul dataset COCO-Seg per 100 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

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="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Immagini di esempio e annotazioni

COCO-Seg, come il suo predecessore COCO, contiene un insieme eterogeneo di immagini con varie categorie di oggetti e scene complesse. Tuttavia, COCO-Seg introduce maschere di segmentazione delle istanze più dettagliate per ogni oggetto presente nelle immagini. Ecco alcuni esempi di immagini del set di dati, insieme alle corrispondenti maschere di segmentazione delle istanze:

• Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicate. La mosaicatura è una tecnica utilizzata durante l'addestramento che combina più immagini in un'unica immagine per aumentare la varietà di oggetti e scene all'interno di ciascun gruppo di addestramento. Ciò favorisce la capacità del modello di generalizzarsi a oggetti di dimensioni, rapporti di aspetto e contesti diversi.

L'esempio mostra la varietà e la complessità delle immagini del dataset COCO-Seg e i vantaggi dell'uso della mosaicatura durante il processo di addestramento.

Citazioni e ringraziamenti

Se si utilizza il set di dati COCO-Seg nel proprio lavoro di ricerca o sviluppo, si prega di citare il documento originale di COCO e di riconoscere l'estensione a COCO-Seg:

@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}
}

Ringraziamo il Consorzio COCO per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per ulteriori informazioni sul dataset COCO e sui suoi creatori, visitare il sito web del dataset COCO.

FAQ

Che cos'è il dataset COCO-Seg e come si differenzia dal dataset COCO originale?

Il dataset COCO-Seg è un'estensione del dataset originale COCO (Common Objects in Context), progettato specificamente per compiti di segmentazione di istanze. Pur utilizzando le stesse immagini del dataset COCO, COCO-Seg include annotazioni di segmentazione più dettagliate, che lo rendono una risorsa potente per i ricercatori e gli sviluppatori che si concentrano sulla segmentazione di istanze di oggetti.

Come si può addestrare un modello YOLO11 utilizzando il dataset COCO-Seg?

Per addestrare un modello YOLO11n-seg sul dataset COCO-Seg per 100 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco dettagliato degli argomenti disponibili, consultare la pagina di addestramento del modello.

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="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Quali sono le caratteristiche principali del dataset COCO-Seg?

Il set di dati COCO-Seg comprende diverse caratteristiche chiave:

• Mantiene le 330K immagini originali del set di dati COCO.
• Annota le stesse 80 categorie di oggetti presenti nel COCO originale.
• Fornisce maschere di segmentazione dell'istanza più dettagliate per ogni oggetto.
• Utilizza metriche di valutazione standardizzate, come la precisione media (mAP) per il rilevamento degli oggetti e il richiamo medio (mAR) per i compiti di segmentazione.

Quali modelli preaddestrati sono disponibili per COCO-Seg e quali sono le loro metriche di performance?

Il set di dati COCO-Seg supporta diversi modelli di segmentazione preaddestrati YOLO11 con diverse metriche di prestazione. Ecco un riepilogo dei modelli disponibili e delle loro metriche chiave:

Come è strutturato il dataset COCO-Seg e quali sottoinsiemi contiene?

Il set di dati COCO-Seg è suddiviso in tre sottoinsiemi per esigenze specifiche di formazione e valutazione:

1. Train2017: Contiene 118K immagini utilizzate principalmente per l'addestramento dei modelli di segmentazione delle istanze.
2. Val2017: Comprende 5K immagini utilizzate per la convalida durante il processo di formazione.
3. Test2017: Comprende 20K immagini riservate al test e al benchmarking dei modelli addestrati. Si noti che le annotazioni di verità a terra per questo sottoinsieme non sono disponibili pubblicamente e i risultati delle prestazioni sono sottoposti al server di valutazione COCO per la valutazione.

📅C reato 1 anno fa ✏️ Aggiornato 18 giorni fa

Commenti