Dataset COCO8-Seg
Introduzione
Ultralytics COCO8-Seg è un set di dati di instance segmentation piccolo ma versatile, composto dalle prime 8 immagini del set di training COCO 2017, 4 per il training e 4 per la convalida. Questo set di dati è ideale per testare ed eseguire il debug di modelli di segmentazione o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza diversificato da testare le pipeline di training per errori e fungere da controllo di integrità prima di eseguire il training di set di dati più grandi.
Questo dataset è destinato all'uso con Ultralytics HUB e YOLO11.
YAML del set di dati
Un file YAML (Yet Another Markup Language) 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 coco8-seg.yaml
file è mantenuto in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.
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 YOLO11n-seg sul dataset COCO8-Seg per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Training del modello.
Esempio di addestramento
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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Immagini di esempio e annotazioni
Ecco alcuni esempi di immagini del dataset COCO8-Seg, insieme alle relative annotazioni:
- Immagine mosaicata: questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicato. Il mosaicing 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 contribuisce a migliorare la capacità del modello di generalizzare a diverse dimensioni degli oggetti, proporzioni e contesti.
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 training.
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}
}
Desideriamo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per maggiori informazioni sul dataset COCO e sui suoi creatori, visitare il sito web del dataset COCO.
FAQ
Cos'è il dataset COCO8-Seg e come viene utilizzato in Ultralytics YOLO11?
Il dataset COCO8-Seg è un dataset compatto di segmentazione di istanze di Ultralytics, composto dalle prime 8 immagini del set di training COCO 2017: 4 immagini per il training e 4 per la validazione. Questo dataset è pensato per testare e fare il debug di modelli di segmentazione o per sperimentare nuovi metodi di rilevamento. È particolarmente utile con YOLO11 e HUB di Ultralytics per un'iterazione rapida e per la verifica degli errori della pipeline prima di passare a dataset più grandi. Per informazioni dettagliate sull'utilizzo, consultare la pagina di Training del modello.
Come posso addestrare un modello YOLO11n-seg utilizzando il set di dati COCO8-Seg?
Per addestrare un modello YOLO11n-seg sul dataset COCO8-Seg per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i comandi Python o CLI. Ecco un rapido esempio:
Esempio di addestramento
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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Per una spiegazione approfondita degli argomenti disponibili e delle opzioni di configurazione, è possibile consultare la documentazione di 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 debuggare rapidamente modelli di segmentazione o per sperimentare nuove tecniche di detection. Le sue dimensioni ridotte consentono rapidi controlli di integrità e la 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 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 Ultralytics. È possibile 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 convalida 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, proporzioni e contesti all'interno della scena. Il mosaicing è utile per migliorare la robustezza e l'accuratezza di un modello, soprattutto quando si lavora con piccoli set di dati come COCO8-Seg. Per un esempio di immagini mosaicate, consultare la sezione Sample Images and Annotations.