Vai al contenuto

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 di esempio del set di dati

  • 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.



📅 Creato 1 anno fa ✏️ Aggiornato 4 mesi fa

Commenti