Link to this sectionDataset COCO8-Seg#
Link to this sectionIntroduzione#
Ultralytics COCO8-Seg è un dataset di instance segmentation piccolo ma versatile, composto dalle prime 8 immagini del set COCO train 2017, 4 per l'addestramento e 4 per la validazione. Questo dataset è ideale per testare e sottoporre a debug modelli di segmentazione o per sperimentare con nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente vario da testare le pipeline di addestramento alla ricerca di errori e agire come un controllo di integrità prima di addestrare dataset più grandi.
Link to this sectionStruttura del dataset#
- Immagini: 8 in totale (4 train / 4 val).
- Classi: 80 categorie COCO.
- Etichette: poligoni in formato YOLO memorizzati sotto
labels/{train,val}corrispondenti a ciascun file immagine. - Dimensione download: ~1 MB.
Esplora il COCO8-Seg su Ultralytics Platform per sfogliare ogni immagine con le relative maschere poligonali, visualizzare la distribuzione delle classi e le mappe di calore delle annotazioni nella scheda Charts e clonarlo per addestrare il tuo modello nel cloud.
Link to this sectionDataset YAML#
Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi, le classi e altre informazioni rilevanti del dataset. Nel caso del dataset COCO8-Seg, il file coco8-seg.yaml è mantenuto su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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.zipLink to this sectionUtilizzo#
Per addestrare un modello YOLO26n-seg sul dataset COCO8-Seg per 100 epochs con una dimensione immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina 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="coco8-seg.yaml", epochs=100, imgsz=640)Link to this sectionEsempi di immagini e annotazioni#
Ecco alcuni esempi di immagini dal dataset COCO8-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.
Link to this sectionCitazioni 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.
Link to this sectionFAQ#
Link to this sectionCos'è il dataset COCO8-Seg e come viene utilizzato in Ultralytics YOLO26?#
Il dataset COCO8-Seg è un dataset di instance segmentation compatto realizzato da Ultralytics, composto dalle prime 8 immagini del set COCO train 2017 (4 per l'addestramento, 4 per la validazione). Questo dataset è progettato per testare e sottoporre a debug i modelli di segmentazione o sperimentare nuovi metodi di rilevamento. È particolarmente utile con Ultralytics YOLO26 per un'iterazione rapida e il controllo degli errori della pipeline prima di passare a dataset più ampi. Per un utilizzo dettagliato, consulta la pagina Training del modello.
Link to this sectionCome posso addestrare un modello YOLO26n-seg utilizzando il dataset COCO8-Seg?#
Per addestrare un modello YOLO26n-seg sul dataset COCO8-Seg per 100 epoche con una dimensione immagine di 640, puoi utilizzare comandi Python o CLI. Ecco un rapido esempio:
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="coco8-seg.yaml", epochs=100, imgsz=640)Per una spiegazione approfondita degli argomenti disponibili e delle opzioni di configurazione, puoi consultare la documentazione Training.
Link to this sectionPerché il dataset COCO8-Seg è importante per lo sviluppo e il debug dei modelli?#
Poiché il download e il ciclo di train/val sono molto più piccoli rispetto a COCO completo, COCO8-Seg ti permette di eseguire una sessione di addestramento e validazione per rilevare errori nella pipeline — come un data loader rotto, una loss configurata male o un'augmentazione errata — prima di impegnarti con un dataset più grande. Scopri di più sui formati di dataset supportati nella guida ai dataset di segmentazione Ultralytics.
Link to this sectionDove posso trovare il file di configurazione YAML per il dataset COCO8-Seg?#
Il file di configurazione YAML per il dataset COCO8-Seg è disponibile nel repository di Ultralytics. Puoi accedere al file direttamente su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-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.
Link to this sectionCome si confronta COCO8-Seg con COCO128-Seg e il dataset COCO-Seg completo?#
COCO8-Seg (8 immagini) si colloca al di sotto di COCO128-Seg (128 immagini) e del dataset completo COCO-Seg (118.287 immagini di addestramento) in termini di dimensioni:
- COCO8-Seg: 8 immagini (4 train, 4 val) — il controllo di integrità più veloce, ideale per CI e debug rapido.
- 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.
Utilizza COCO8-Seg per il controllo della pipeline più veloce possibile, poi passa a COCO128-Seg o al dataset COCO-Seg completo man mano che acquisisci sicurezza.