COCO128-Segデータセット#
はじめに#
UltralyticsのCOCO128-Segは、COCO train 2017セットの最初の128枚の画像で構成された、小規模ながら多用途のインスタンスセグメンテーションデータセットです。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やデバッグ、新しい検出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簡単に管理できるほど小規模でありながら、学習パイプラインのエラーをテストし、より大規模なデータセットで学習する前のサニティチェックとして機能するほど多様性も備えています。
データセットの構成#
- 画像: 合計128枚で、trainとvalは同一の分割です（下記の注記を参照してください）。
- クラス: COCOと同じ80種類のオブジェクトカテゴリです。
- ラベル: 共有のtrainおよびval画像ディレクトリ内の
labels/train2017に保存されたYOLO形式のポリゴンです。 - ダウンロードサイズ: ~7 MBです。
デフォルトのYAMLでは、trainとvalが同じ128枚の画像を参照するため、検証メトリクスはホールドアウトデータに対する汎化性能ではなく、学習セットへの適合度を測定します。真のホールドアウトセットが必要な場合は、分割を複製またはカスタマイズしてください。
このデータセットは、Ultralytics PlatformおよびYOLO26での使用を想定しています。
データセット YAML#
データセットの設定を定義するにはYAMLファイルを使用します。YAML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ます。COCO128-Segデータセットの場合、coco128-seg.yamlファイルはhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yamlで管理されています。
# 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/coco128-seg
# Example usage: yolo train data=coco128-seg.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使用方法#
COCO128-SegデータセットでYOLO26n-segモデルを画像サイズ640、100エポックで学習するには、次のコードスニペットを使用できます。使用可能な引数の一覧については、モデルの学習ページを参照してください。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)サンプル画像とアノテーション#
以下に、COCO128-Segデータセットの画像と、それに対応するアノテーションの例を示します。
- モザイク化画像: 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たトレーニングバッチを示しています。モザイク化は、トレーニング中に複数の画像を1枚の画像に組み合わせ、各トレーニングバッチ内の物体やシーンの多様性を高める技法です。これにより、さまざまな物体サイズ、アスペクト比、コンテキストに対するモデルの汎化性能を向上させます。
引用と謝辞#
研究または開発でCOCOデータセットを使用する場合は、次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}
}コンピュータービジョンコミュニティにとって価値のあるこのリソースを作成・維持しているCOCO Consortiumに謝意を表します。COCOデータセットとその作成者の詳細については、COCOデータセットのウェブサイトをご覧ください。
FAQ#
COCO128-SegデータセットでYOLO26n-segモデルを100エポック、画像サイズ640で学習するには、PythonまたはCLIコマンドを使用できます。簡単な例を次に示します。
トレーニング例from ultralytics import YOLO # Load a model model = YOLO("yolo26n-seg.pt") # Load a pretrained model (recommended for training) # Train the model results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)利用可能な引数と設定オプションについて詳しくは、トレーニングドキュメントを確認してください。
完全なCOCOよりもダウンロードとtrain/valループが大幅に小さいため、COCO128-Segを使用すると、新しいパイプラインで1エポックのサニティチェックを実行できます。これにより、完全なCOCO-Segデータセットに拡張する前に、モデルが正しく学習、検証され、チェックポイントを保存できることを確認できます。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-SegデータセットのYAML設定ファイルは、Ultralyticsのリポジトリで利用できます。ファイルには、https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yamlから直接アクセスできます。YAMLファイルには、モデルの学習と検証に必要なデータセットのパス、クラス、設定項目に関する重要な情報が含まれています。
COCO128-Seg（128枚の画像）は、サイズの点でCOCO8-Seg（8枚の画像）と完全なCOCO-Segデータセット（学習画像118,287枚）の中間に位置します。
- COCO8-Seg: 8枚の画像（train 4枚、val 4枚） — 迅速なサニティチェックとデバッグに最適です。
- COCO128-Seg: 画像128枚 — サイズと多様性のバランスが取れており、トレーニングと検証で同じディレクトリを共有します。
- COCO-Seg全体: 118,287枚のトレーニング画像が含まれており、包括的ですがリソースを大量に消費し、初回ダウンロード時に約20 GBが必要です。
COCO128-Segは、COCO8-Segよりも多様性が高く、実験やモデル開発の初期段階では完全なCOCO-Segデータセットよりもはるかに扱いやすいデータセットです。