Inizia

Dataset Cityscapes8

Introduzione#

Il dataset Cityscapes8 di Ultralytics è un dataset compatto di segmentazione semantica con 8 immagini selezionate dal dataset Cityscapes: 4 per l'addestramento e 4 per la convalida. È progettato per test rapidi, debug e sperimentazione con modelli e pipeline di addestramento YOLO per la segmentazione semantica. I contenuti di scene urbane consentono di verificare la pipeline prima di passare al dataset Cityscapes completo.

Cityscapes8 usa le stesse 19 classi di valutazione e lo stesso comportamento label_mapping del dataset Cityscapes completo ed è pienamente compatibile con i flussi di lavoro di segmentazione semantica YOLO26.

Nota

Cityscapes8 è pensato solo per testare le pipeline, non per i benchmark: 8 immagini sono troppo poche per un confronto significativo di mIoU. Per risultati rappresentativi, usa il set di convalida completo di Cityscapes.

Struttura del dataset#

Cityscapes8 riproduce la struttura del dataset completo, senza una suddivisione test:

cityscapes8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── masks/
    ├── train/  # 4 single-channel PNG masks
    └── val/    # 4 single-channel PNG masks

Le maschere vengono abbinate alle immagini tramite il campo masks_dir: masks e label_mapping converte gli ID originali delle etichette Cityscapes nei 19 ID di addestramento contigui descritti nella struttura completa del dataset Cityscapes.

YAML del dataset#

La configurazione del dataset Cityscapes8 è definita in un file YAML del dataset che specifica i percorsi, i nomi delle classi e altri metadati essenziali. Puoi consultare il file ufficiale cityscapes8.yaml nel repository GitHub di Ultralytics. Il file YAML include un URL di download per il piccolo sottoinsieme incluso nel pacchetto.

ultralytics/cfg/datasets/cityscapes8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

Utilizzo#

Per addestrare un modello YOLO26n-sem sul dataset Cityscapes8 per 100 epoche con una dimensione delle immagini di 1024, usa gli esempi seguenti.

Esempio di addestramento
from ultralytics import YOLO

# Carica un modello YOLO26n-sem preaddestrato
model = YOLO("yolo26n-sem.pt")

# Addestra il modello su Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Puoi anche gestire Cityscapes8 e addestrare modelli di segmentazione semantica nel cloud con Ultralytics Platform.

Citazioni, licenza e ringraziamenti#

Cityscapes8 è un sottoinsieme di Cityscapes, distribuito con una licenza personalizzata non commerciale: consulta la pagina completa del dataset Cityscapes per i dettagli.

Se usi il dataset Cityscapes nella tua attività di ricerca o sviluppo, cita il seguente articolo:

Citazione
@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Un ringraziamento speciale al team Cityscapes per il suo costante contributo alle comunità della guida autonoma e della visione artificiale.

Domande frequenti#

  • Il dataset Cityscapes8 di Ultralytics è progettato per testare e correggere rapidamente i modelli di segmentazione semantica. Con sole 8 immagini (4 per l'addestramento e 4 per la convalida), è ideale per verificare le pipeline di segmentazione semantica YOLO, inclusi il caricamento delle maschere, gli aumenti dei dati, la convalida e i percorsi di esportazione, prima di passare al dataset Cityscapes completo. Consulta la configurazione YAML di Cityscapes8 per maggiori dettagli.

  • Cityscapes8 seleziona 8 immagini (4 per l'addestramento e 4 per la convalida) dalla suddivisione Cityscapes di 2.975 immagini di addestramento e 500 di convalida, usando le stesse 19 classi e label_mapping; pertanto, una pipeline che funziona su Cityscapes8 funziona senza modifiche anche sul dataset completo: basta impostare data= su cityscapes.yaml anziché su cityscapes8.yaml. A differenza del dataset completo, Cityscapes8 non richiede il download manuale e non include la suddivisione test.

  • Puoi addestrare un modello YOLO26 di segmentazione semantica su Cityscapes8 con Python o CLI:

    Esempio di addestramento
    from ultralytics import YOLO
    
    # Carica un modello YOLO26n-sem preaddestrato
    model = YOLO("yolo26n-sem.pt")
    
    # Addestra il modello su Cityscapes8
    results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

    Per altre opzioni di addestramento, consulta la documentazione sull'addestramento di YOLO.

  • No. Cityscapes8 è troppo piccolo per confrontare i modelli in modo significativo ed è pensato per verificare le pipeline di addestramento e valutazione. Quando hai bisogno di risultati rappresentativi di benchmark per la segmentazione semantica, usa il set di convalida completo di Cityscapes.

Commenti

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.