Set di dati COCO8-Seg

Q: What is the COCO8-Seg dataset, and how is it used in Ultralytics YOLO11?

Il set di dati COCO8-Seg è un set di dati compatto per la segmentazione delle istanze di Ultralytics, costituito dalle prime 8 immagini del set COCO train 2017 - 4 immagini per l'addestramento e 4 per la validazione. Questo set di dati è adatto per il test e il debug dei modelli di segmentazione o per la sperimentazione di nuovi metodi di rilevamento. È particolarmente utile con Ultralytics YOLO11 e HUB per l'iterazione rapida e il controllo degli errori della pipeline prima di scalare a set di dati più grandi. Per un utilizzo dettagliato, consultare la pagina di addestramento del modello.

Q: Why is the COCO8-Seg dataset important for model development and debugging?

Il set di dati COCO8-Seg è ideale per la sua gestibilità e diversità all'interno di una dimensione ridotta. È composto da sole 8 immagini e offre un modo rapido per testare e fare il debug dei modelli di segmentazione o di nuovi approcci di rilevamento senza l'overhead di set di dati più grandi. Questo lo rende uno strumento efficiente per i controlli di correttezza e l'identificazione degli errori di pipeline prima di impegnarsi in una formazione approfondita su set di dati di grandi dimensioni. Per saperne di più sui formati dei set di dati, cliccate qui.

Q: Where can I find the YAML configuration file for the COCO8-Seg dataset?

Il file di configurazione YAML per il set di dati COCO8-Seg è disponibile nel repository Ultralytics . È possibile accedere al file direttamente qui. Il file YAML contiene informazioni essenziali sui percorsi del dataset, sulle classi e sulle impostazioni di configurazione necessarie per l'addestramento e la validazione del modello.

Q: What are some benefits of using mosaicing during training with the COCO8-Seg dataset?

L'uso della mosaicatura durante l'addestramento aiuta ad aumentare la diversità e la varietà degli oggetti e delle scene in ogni lotto di addestramento. Questa tecnica combina più immagini in un'unica immagine composita, migliorando la capacità del modello di generalizzarsi a oggetti di dimensioni, rapporti di aspetto e contesti diversi all'interno della scena. La mosaicatura è utile per migliorare la robustezza e l'accuratezza di un modello, soprattutto quando si lavora con dataset piccoli come COCO8-Seg. Per un esempio di immagini mosaicate, vedere la sezione Immagini di esempio e annotazioni.

Introduzione

Ultralytics COCO8-Seg è un piccolo ma versatile set di dati per la segmentazione di istanze composto dalle prime 8 immagini del set COCO train 2017, 4 per l'addestramento e 4 per la validazione. Questo set di dati è ideale per il test e il debug dei modelli di segmentazione o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente diversificato per testare le pipeline di addestramento alla ricerca di errori e fungere da verifica della correttezza prima di addestrare set di dati più grandi.

Questo set di dati è destinato all'utilizzo di Ultralytics HUB e di YOLO11.

Set di dati YAML

Un file YAML (Yet Another Markup Language) è usato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del set di dati COCO8-Seg, il file coco8-seg.yaml Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

ultralytics/cfg/datasets/coco8-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

Esempio di treno

PythonCLI

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 tratte dal set di dati COCO8-Seg, con le relative annotazioni:

Immagine campione del set di dati

Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicate. La mosaicatura 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 ciascun batch di addestramento. Ciò contribuisce a migliorare la capacità del modello di generalizzarsi a oggetti di dimensioni, rapporti di aspetto e contesti diversi.

L'esempio mostra la varietà e la complessità delle immagini del dataset COCO8-Seg e i vantaggi dell'uso della mosaicatura durante il processo di addestramento.

Citazioni e ringraziamenti

Se utilizzate il set di dati COCO nel vostro lavoro di ricerca o sviluppo, siete pregati di citare il seguente documento:

BibTeX

@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 Consorzio COCO per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per ulteriori 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 set di dati COCO8-Seg è un set di dati compatto per la segmentazione delle istanze di Ultralytics, costituito dalle prime 8 immagini del set COCO train 2017 - 4 immagini per l'addestramento e 4 per la validazione. Questo set di dati è adatto per il test e il debug dei modelli di segmentazione o per la sperimentazione di nuovi metodi di rilevamento. È particolarmente utile con Ultralytics YOLO11 e HUB per un'iterazione rapida e per il controllo degli errori della pipeline prima di passare a set di dati più grandi. Per un utilizzo dettagliato, consultare la pagina di addestramento del modello.

Come posso addestrare un modello YOLO11n-seg utilizzando il dataset COCO8-Seg?

Per addestrare un modello YOLO11n-seg sul dataset COCO8-Seg per 100 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i comandi Python o CLI . Ecco un rapido esempio:

Esempio di treno

PythonCLI

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 completa degli argomenti e delle opzioni di configurazione disponibili, si può consultare la documentazione di Training.

Perché il dataset COCO8-Seg è importante per lo sviluppo e il debug del modello?

Il set di dati COCO8-Seg è ideale per la sua gestibilità e diversità all'interno di una dimensione ridotta. È composto da sole 8 immagini e offre un modo rapido per testare e fare il debug dei modelli di segmentazione o di nuovi approcci di rilevamento senza l'overhead di set di dati più grandi. Questo lo rende uno strumento efficiente per i controlli di correttezza e l'identificazione degli errori di pipeline prima di impegnarsi in una formazione approfondita su set di dati di grandi dimensioni. Per saperne di più sui formati dei set di dati , cliccate qui.

Dove posso trovare il file di configurazione YAML per il dataset COCO8-Seg?

Il file di configurazione YAML per il set di dati COCO8-Seg è disponibile nel repository Ultralytics . È possibile accedere al file direttamente qui. Il file YAML contiene informazioni essenziali sui percorsi del dataset, sulle classi e sulle impostazioni di configurazione necessarie per l'addestramento e la validazione del modello.

Quali sono i vantaggi dell'utilizzo della mosaicatura durante l'addestramento con il dataset COCO8-Seg?

L'uso della mosaicatura durante l'addestramento aiuta ad aumentare la diversità e la varietà di oggetti e scene in ogni lotto di addestramento. Questa tecnica combina più immagini in un'unica immagine composita, migliorando la capacità del modello di generalizzarsi a oggetti di dimensioni, rapporti di aspetto e contesti diversi all'interno della scena. La mosaicatura è utile per migliorare la robustezza e l'accuratezza di un modello, soprattutto quando si lavora con dataset piccoli come COCO8-Seg. Per un esempio di immagini mosaicate, vedere la sezione Immagini di esempio e annotazioni.

📅C reato 1 anno fa ✏️ Aggiornato 1 mese fa