Dataset COCO8-Seg

Introduzione

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 i modelli di segmentazione, o per sperimentare con nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza 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: 8 in totale (4 train / 4 val).
• Classi: 80 categorie COCO.
• Etichette: poligoni in formato YOLO memorizzati in labels/{train,val} corrispondenti a ciascun file immagine.

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 COCO8-Seg, il file coco8-seg.yaml è mantenuto all'indirizzo 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.zip

Utilizzo

Per addestrare un modello YOLO26n-seg sul dataset COCO8-Seg per 100 epoch con una dimensione dell'immagine di 640, puoi usare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la 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)

Immagini campione e annotazioni

Ecco alcuni esempi di immagini dal dataset COCO8-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 COCO8-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 COCO8-Seg e come viene utilizzato in Ultralytics YOLO26?

Il dataset COCO8-Seg è un dataset di instance segmentation compatto di Ultralytics, costituito dalle prime 8 immagini del set COCO train 2017: 4 immagini per l'addestramento e 4 per la validazione. 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 grandi. Per un utilizzo dettagliato, consulta la pagina Training del modello.

Come posso addestrare un modello YOLO26n-seg utilizzando il dataset COCO8-Seg?

Per addestrare un modello YOLO26n-seg sul dataset COCO8-Seg per 100 epoch con una dimensione dell'immagine di 640, puoi usare i 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.

Perché il dataset COCO8-Seg è importante per lo sviluppo e il debug dei modelli?

Il dataset COCO8-Seg offre un set compatto ma diversificato di 8 immagini, rendendolo perfetto per testare e sottoporre a debug rapidamente i modelli di segmentazione o per sperimentare nuove tecniche di rilevamento. Le sue dimensioni ridotte consentono controlli di validità rapidi e una convalida precoce della pipeline, aiutando a identificare i problemi 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 COCO8-Seg?

Il file di configurazione YAML per il dataset COCO8-Seg è disponibile nel repository di Ultralytics. Puoi accedere al file direttamente all'indirizzo 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.

Quali sono alcuni vantaggi dell'utilizzo del mosaicing durante l'addestramento con il dataset COCO8-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, rapporti d'aspetto e contesti all'interno della scena. Il mosaicing è utile per migliorare la robustezza e l'accuratezza di un modello, specialmente quando si lavora con dataset piccoli come COCO8-Seg. Per un esempio di immagini mosaicizzate, vedi la sezione Sample Images and Annotations.