YOLO Vision 2026:
CC BY 4.0

COCO128-Seg 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る、小規模ながらも多用途な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、あるいは新しい検出アプローチの実験に最適です。128 枚の画像があるため、簡単に管理できるほど十分に小規模でありながら、トレーニング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をトレーニングする前のサニティチェックとして機能するほど多様性に富んでいます。

データセットの構造#

  • 画像: 合計128枚。トレーニングセットと検証セットは同一です（以下の注記を参照）。
  • クラス: COCOと同じ80のオブジェクトカテゴリ。
  • ラベル: 共有の train および val 画像ディレクトリ用として labels/train2017 に保存された YOLO 形式のポリゴン。
  • ダウンロードサイズ: 約7 MB。
注意

デフォルトのYAMLはトレーニングと検証の両方で同じ128枚の画像を指しているため、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、トレーニングセットへの適合度を測定することになります。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で使用することを想定しています。

データセット YAML#

データセット設定の定義には YAML ファイルが使用されます。これには、データセットのパス、クラス、およびその他の関連情報に関する情報が含まれています。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/cfg/datasets/coco128-seg.yaml
# 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#

画像サイズ 640 で COCO128-Seg データセット上で YOLO26n-seg モデルを 100 エポックトレーニングするには、次のコードスニペットを使用できます。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)

サンプル画像とアノテーション#

以下は、COCO128-Segデータセットの画像例と、それに対応するアノテーションです。

COCO128-seg instance segmentation dataset mosaic
  • モザイク画像: この画像は、モザイク処理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。モザイク処理は、トレーニング中に複数の画像を1つの画像に結合し、各トレーニングバッチ内のオブジェクトやシーンの多様性を高める技術です。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してモデルが汎化する能力を向上させます。

引用と謝辞#

研究や開発作業で COCO データセットを使用する場合は、以下の論文を引用してください：

引用
@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}
}

computer visionコミュニティのためにこの貴重なリソースを作成および維持してくださっているCOCO Consortiumに感謝いたします。COCOデータセットとその作成者の詳細については、COCO dataset websiteをご覧ください。

よくある質問 (FAQ)#

  • COCO128-Seg dataset は Ultralytics による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ます。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とデバッグ、または新しい検出手法の実験向けに調整されています。より大規模なデータセットにスケールアップする前の迅速な反復とパイプラインのエラーチェックのために、Ultralytics YOLO26 および Platform と共に使用すると特に便利です。詳細な使用方法については、モデルのトレーニングページを参照してください。

  • COCO128-SegデータセットでYOLO26n-segモデルを画像サイズ640で100エポックトレーニングするには、PythonまたはCLIコマンドを使用できます。簡単な例を以下に示します。

    学習例
    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の詳細な説明については、Trainingドキュメントを確認できます。

  • ダウンロードと train/val ループが完全な COCO よりもはるかに小さいため、COCO128-Seg を使用すると、完全な COCO-Seg データセットにスケールアップする前に、新しいパイプラインで 1 エポックのサニティチェック（モデルが正しくトレーニング、検証、およびチェックポイントの保存を行うことの確認）を実行できます。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参照してください。

  • COCO128-Seg dataset の YAML 設定ファイルは、Ultralytics リポジトリで入手できます。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、モデルのトレーニングと検証に必要なデータセットのパス、クラス、および設定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、サイズ面において COCO8-Seg（8 枚の画像）と完全な COCO-Seg データセット（118,287 枚のトレーニング画像）の間に位置しています：

    • COCO8-Seg: 8画像（4トレーニング、4検証）— クイックな健全性チェックやデバッグに最適。
    • COCO128-Seg: 128画像 — 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。
    • 完全なCOCO-Seg: 118,287トレーニング画像 — 包括的ですがリソース集約型であり、初回ダウンロード時に約27 GBの容量を必要とします。

    COCO128-SegはCOCO8-Segよりも多様性に富みつつ、実験や初期のモデル開発において完全なCOCO-Segデータセットよりもはるかに扱いやすいサイズを維持しています。

貢献者
GLglenn-jocher7RAraimbekovm4PDpderrenger1FCfcakyon1

コメント