COCO128 データセット
はじめに
Ultralytics COCO128-Segは、COCO train 2017セットの最初の128枚の画像で構成された、小規模ながら汎用性の高いインスタンスsegmentデータセットです。このデータセットは、segmentモデルのテストとデバッグ、または新しいdetectアプローチの実験に最適です。128枚の画像で構成されているため、管理が容易なほど十分に小さく、エラーのトレーニングパイプラインをテストし、より大きなデータセットをトレーニングする前に健全性チェックとして機能するのに十分な多様性があります。
データセットの構造
- 画像：合計128枚。デフォルトのYAMLはtrainとvalのために同じディレクトリを再利用するので、素早く反復することができますが、必要であれば、分割を複製したりカスタマイズすることができます。
- クラス：COCO同じ80のオブジェクトカテゴリー。
- ラベル:YOLOポリゴンが各画像の横に保存されるYOLO
labels/{train,val}.
このデータセットは、Ultralytics HUBおよびYOLO11での使用を目的としています。
データセット YAML
YAML (Yet Another Markup Language) ファイルはデータセットの設定を定義するために使われる。このファイルには、データセットのパス、クラス、その他の関連情報が含まれている。COCO128データセットの場合は coco128-seg.yaml fileは以下で管理されています: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
ultralyticsyaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128-seg ← downloads here (7 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128-seg.zip
使用法
COCO128データセットでYOLO11n-segモデルを画像サイズ640で100エポック学習させるには、以下のコードスニペットを使います。利用可能な引数の包括的なリストについては、モデルのトレーニングページを参照してください。
学習の例
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="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
サンプル画像とアノテーション
COCO128データセットの画像の例と、それに対応するアノテーションを示します：
- モザイク化された画像: この画像は、モザイク化されたデータセット画像で構成されるトレーニングバッチを示しています。モザイキングは、各トレーニングバッチ内のオブジェクトとシーンの多様性を高めるために、複数の画像を1つの画像に結合するトレーニング中に使用される手法です。これにより、さまざまなオブジェクトのサイズ、アスペクト比、およびコンテキストに対するモデルの汎化能力が向上します。
この例では、COCO128データセットの画像の多様性と複雑さ、および学習プロセスでモザイク処理を使用する利点を示しています。
引用と謝辞
COCO データセットを研究開発に使用する場合は、以下の論文を引用してください：
@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}
}
COCO コンソーシアムが、コンピュータビジョンコミュニティのためにこの貴重なリソースを作成し、維持してくれていることに感謝したい。COCO データセットとその作成者についての詳細は、COCO データセットのウェブサイトをご覧ください。
よくある質問
COCO128データセットとは何ですか？また、Ultralytics YOLO11どのように使用されていますか？
COCO128データセットは、Ultralyticsコンパクトなインスタンスセグメンテーションデータセットであり、COCO train 2017セットの最初の128枚の画像で構成されている。このデータセットは、セグメンテーションモデルのテストとデバッグ、または新しい検出方法の実験用に調整されています。特にUltralytics YOLO11やHUBを使用して、より大きなデータセットに拡張する前に、迅速な反復とパイプラインのエラーチェックを行うのに特に役立ちます。詳細な使用方法については、モデルトレーニングのページを参照してください。
COCO128データセットを使ってYOLO11n-segモデルを学習するにはどうすればよいですか？
COCO128データセットでYOLO11n-segモデルを画像サイズ640で100エポック学習させるには、Python またはCLI コマンドを使用します。簡単な例を示します：
学習の例
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="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
利用可能な引数と構成オプションの詳細な説明については、トレーニングのドキュメントを確認してください。
なぜCOCO128データセットがモデル開発とデバッグに重要なのですか？
COCO128データセットは、管理しやすさと128枚の画像の多様性をバランスよく兼ね備えており、セグメンテーションモデルの迅速なテストとデバッグ、または新しい検出テクニックの実験に最適です。適度なサイズであるため、高速なトレーニングの反復が可能であると同時に、より大きなデータセットに拡張する前にトレーニングパイプラインを検証するのに十分な多様性を提供します。サポートされているデータセット形式の詳細については、Ultralytics セグメンテーションデータセットガイドをご覧ください。
COCO128データセットのYAML設定ファイルはどこにありますか？
COCO128データセットのYAML設定ファイルは、Ultralytics リポジトリで入手できます。このファイルにはyaml から直接アクセスできますyamlYAMLファイルには、データセットのパス、クラス、モデルの学習と検証に必要な構成設定に関する重要な情報が含まれています。
COCO128データセットのトレーニングでモザイク処理を行う利点は何ですか？
トレーニング中にモザイク処理を行うことで、各トレーニングバッチにおけるオブジェクトやシーンの多様性と多様性を高めることができる。このテクニックは、複数の画像を1つの合成画像に結合し、異なるオブジェクトのサイズ、アスペクト比、シーン内のコンテキストに対するモデルの汎化能力を向上させる。モザイク処理は、特にCOCO128ような中程度のサイズのデータセットを扱う場合に、モデルのロバスト性と精度を向上させるのに有効です。モザイク処理された画像の例については、サンプル画像と注釈のセクションを参照してください。
