Dataset COCO128-Seg#

Introduzione#

Il dataset Ultralytics COCO128-Seg è un set di dati 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 vario per testare le pipeline di addestramento alla ricerca di errori e fungere da controllo di integrità prima di addestrare dataset più ampi.

Struttura del dataset#

• Immagini: 128 in totale, con divisione train e val identica (vedi nota sotto).
• Classi: Le stesse 80 categorie di oggetti di COCO.
• Etichette: poligoni in formato YOLO memorizzati in labels/train2017 per la directory condivisa di immagini train e val.
• Dimensioni download: ~7 MB.

Questo dataset è inteso per l'uso con Ultralytics Platform e YOLO26.

Dataset YAML#

Un file YAML 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 su 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/coco128-seg
# 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.zip

Utilizzo#

Per addestrare un modello YOLO26n-seg sul dataset COCO128-Seg per 100 epochs 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)

Esempi di immagini e annotazioni#

Ecco alcuni esempi di immagini dal dataset COCO128-Seg, insieme alle relative annotazioni:

• Immagine 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.

Citazioni e riconoscimenti#

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}
}

Desideriamo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità di visione artificiale. Per ulteriori informazioni sul dataset COCO e sui 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 per l'instance segmentation creato da 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 un'iterazione rapida e per verificare la presenza di errori nelle pipeline prima di passare a dataset più ampi. 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 epoche con una dimensione dell'immagine di 640, puoi utilizzare Python o i 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?#

Poiché il ciclo di download e train/val è molto più piccolo del COCO completo, COCO128-Seg ti permette di eseguire un controllo di integrità di 1 epoca su una nuova pipeline — verificando che il modello si addestri, validi e salvi correttamente i checkpoint — prima di passare al dataset COCO-Seg completo. 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 validazione del modello.

Come si confronta COCO128-Seg con COCO8-Seg e il dataset COCO-Seg completo?#

COCO128-Seg (128 immagini) si colloca tra COCO8-Seg (8 immagini) e il dataset COCO-Seg completo (118.287 immagini di addestramento) in termini di dimensioni:

• COCO8-Seg: 8 immagini (4 train, 4 val) — ideale per rapidi controlli di integrità e debug.
• COCO128-Seg: 128 immagini — bilanciato tra dimensioni e diversità, con train e val che condividono la stessa directory.
• COCO-Seg completo: 118.287 immagini di addestramento — completo ma intensivo in termini di risorse, che richiede ~27 GB al primo download.

COCO128-Seg offre una maggiore diversità rispetto a COCO8-Seg pur rimanendo molto più gestibile rispetto al dataset COCO-Seg completo per la sperimentazione e lo sviluppo iniziale del modello.