Dataset COCO128-Seg
Introduzione
Ultralytics COCO128-Seg è un dataset di instance segmentation piccolo ma versatile composto dalle prime 128 immagini del set COCO train 2017. Questo dataset è ideale per testare e sottoporre a debug i modelli di segmentazione, oppure per sperimentare nuovi approcci di rilevamento. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente diversificato da testare le pipeline di addestramento alla ricerca di errori e fungere da controllo di validità prima di addestrare dataset più grandi.
Struttura del dataset
- Immagini: 128 in totale. Il file YAML predefinito riutilizza la stessa directory per train e val in modo da poter iterare rapidamente, ma puoi duplicare o personalizzare la suddivisione se lo desideri.
- Classi: Le stesse 80 categorie di oggetti di COCO.
- Etichette: Poligoni in formato YOLO salvati accanto a ciascuna immagine all'interno di
labels/{train,val}.
Questo dataset è inteso per l'uso con Ultralytics Platform e YOLO26.
YAML del dataset
Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Nel caso del dataset COCO128-Seg, il file coco128-seg.yaml è mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco/
# Example usage: yolo train data=coco128-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128-seg ← downloads here (7 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128-seg.zipUtilizzo
Per addestrare un modello YOLO26n-seg sul dataset COCO128-Seg per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Training del modello.
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="coco128-seg.yaml", epochs=100, imgsz=640)Immagini campione e annotazioni
Ecco alcuni esempi di immagini dal dataset COCO128-Seg, insieme alle relative annotazioni:
- Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset a mosaico. Il mosaico 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 ogni batch di addestramento. Ciò aiuta a migliorare la capacità del modello di generalizzare a diverse dimensioni, proporzioni e contesti degli oggetti.
L'esempio mostra la varietà e la complessità delle immagini nel dataset COCO128-Seg e i vantaggi dell'utilizzo del mosaicing durante il processo di addestramento.
Citazioni e ringraziamenti
Se utilizzi il dataset COCO nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:
@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}
}Vorremmo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità di computer vision. Per maggiori informazioni sul dataset COCO e i suoi creatori, visita il sito web del dataset COCO.
FAQ
Cos'è il dataset COCO128-Seg e come viene utilizzato in Ultralytics YOLO26?
Il dataset COCO128-Seg è un dataset compatto di instance segmentation di Ultralytics, composto dalle prime 128 immagini del set COCO train 2017. Questo dataset è pensato per testare e sottoporre a debug i modelli di segmentazione o per sperimentare nuovi metodi di rilevamento. È particolarmente utile con Ultralytics YOLO26 e Platform per l'iterazione rapida e il controllo degli errori della pipeline prima di passare a dataset più grandi. Per un utilizzo dettagliato, fai riferimento alla pagina di Training del modello.
Come posso addestrare un modello YOLO26n-seg utilizzando il dataset COCO128-Seg?
Per addestrare un modello YOLO26n-seg sul dataset COCO128-Seg per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare Python o comandi CLI. Ecco un esempio rapido:
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="coco128-seg.yaml", epochs=100, imgsz=640)Per una spiegazione approfondita degli argomenti disponibili e delle opzioni di configurazione, puoi consultare la documentazione Training.
Perché il dataset COCO128-Seg è importante per lo sviluppo e il debug dei modelli?
Il dataset COCO128-Seg offre una combinazione bilanciata di gestibilità e diversità con 128 immagini, rendendolo perfetto per testare e sottoporre a debug rapidamente i modelli di segmentazione o per sperimentare nuove tecniche di rilevamento. Le sue dimensioni moderate consentono iterazioni di addestramento veloci, fornendo al contempo una diversità sufficiente per convalidare le pipeline di addestramento prima di passare a dataset più grandi. Scopri di più sui formati di dataset supportati nella guida ai dataset di segmentazione di Ultralytics.
Dove posso trovare il file di configurazione YAML per il dataset COCO128-Seg?
Il file di configurazione YAML per il dataset COCO128-Seg è disponibile nel repository di Ultralytics. Puoi accedere al file direttamente all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. Il file YAML include informazioni essenziali sui percorsi del dataset, le classi e le impostazioni di configurazione necessarie per l'addestramento e la convalida del modello.
Quali sono alcuni vantaggi dell'utilizzo del mosaicing durante l'addestramento con il dataset COCO128-Seg?
L'utilizzo del mosaicing durante l'addestramento aiuta ad aumentare la diversità e la varietà di oggetti e scene in ogni batch di addestramento. Questa tecnica combina più immagini in un'unica immagine composita, migliorando la capacità del modello di generalizzare a diverse dimensioni degli oggetti, proporzioni e contesti all'interno della scena. Il mosaicing è utile per migliorare la robustezza e l'accuratezza del modello, specialmente quando si lavora con dataset di dimensioni moderate come COCO128-Seg. Per un esempio di immagini a mosaico, consulta la sezione Sample Images and Annotations.