COCO8-Seg データセット

はじめに

Ultralytics COCO8-Seg は、COCO train 2017 セットの最初の8枚の画像（トレーニング用4枚、検証用4枚）で構成された、小規模ながら多用途に使える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。8枚の画像という管理しやすいサイズでありながら、トレーニングパイプラインのエラーチェックや、より大きなデータセットでトレーニングを行う前のサニティチェック（健全性確認）を行うために十分な多様性を備えています。

データセットの構造

画像: 合計8枚（トレーニング用4枚 / 検証用4枚）
クラス: 80種類のCOCOカテゴリ。
ラベル: 各画像ファイルに対応するlabels/{train,val}ディレクトリに保存されたYOLO形式のポリゴン。

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ためにYAML（Yet Another Markup Language）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が含まれています。COCO8-Seg データセットの場合、coco8-seg.yamlファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml で管理されています。

ultralytics/cfg/datasets/coco8-seg.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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

使用方法

COCO8-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でトレーニングするには、以下のコードスニペットを使用できます。利用可能な引数の詳細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。

トレーニングの例

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="coco8-seg.yaml", epochs=100, imgsz=640)

サンプル画像とアノテーション

COCO8-Seg データセットの画像とその対応するアノテーションの例をいくつか示します。

COCO8-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学習バッチを示しています。モザイク処理は、学習中に複数の画像を1枚の画像に結合し、各学習バッチ内の物体やシーンの多様性を高めるために使用される手法です。これは、異なる物体のサイズ、アスペクト比、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るのに役立ちます。

この例では、COCO8-Seg データセットに含まれる画像の多様性と複雑さ、およびトレーニングプロセス中にモザイク処理（mosaicing）を使用する利点を紹介しています。

引用と謝辞

研究や開発の仕事で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：

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}
}

私たちは、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および維持している COCO コンソーシアムに感謝いたします。COCO データセットとその作成者に関する詳細については、COCO データセットのウェブサイトをご覧ください。

FAQ

COCO8-Seg データセットとは何か、そして Ultralytics YOLO26 でどのように使用されるのか？

COCO8-Seg データセットは、Ultralytics が提供す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、COCO train 2017 セットの最初の8枚（トレーニング用4枚、検証用4枚）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やデバッグ、新しい検出手法の実験に最適化されています。特に Ultralytics YOLO26 や Platform と組み合わせることで、より大きなデータセットへ拡張する前の迅速な反復やパイプラインのエラーチェックに非常に役立ちます。使用方法の詳細は、モデルのトレーニングページを参照してください。

COCO8-Seg データセットを使用して YOLO26n-seg モデルをトレーニングするには？

COCO8-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。以下に簡単な例を示します。

トレーニングの例

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="coco8-seg.yaml", epochs=100, imgsz=640)

利用可能な引数や設定オプションの詳細な説明については、トレーニングドキュメントを確認してください。

モデルの開発やデバッグにおいて COCO8-Seg データセットが重要なのはなぜか？

COCO8-Seg データセットは、8枚というコンパクトながら多様な画像セットを提供するため、セグメンテーションモデルのテストやデバッグ、新しい検出手法の実験に最適です。その小規模なサイズにより、迅速なサニティチェックや初期のパイプライン検証が可能となり、大規模なデータセットへ拡張する前に問題を特定するのに役立ちます。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。

COCO8-Seg データセットの YAML 設定ファイルはどこにありますか？

COCO8-Seg データセットの YAML 設定ファイルは、Ultralytics リポジトリで公開されています。このファイルには https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-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、設定に関する重要な情報が含まれています。

COCO8-Seg データセットを使用してトレーニングする際にモザイク処理を行う利点は何か？

Using mosaicing during training helps increase the diversity and variety of objects and scenes in each training batch. This technique combines multiple images into a single composite image, enhancing the model's ability to generalize to different object sizes, aspect ratios, and contexts within the scene. Mosaicing is beneficial for improving a model's robustness and accuracy, especially when working with small datasets like COCO8-Seg. For an example of mosaiced images, see the Sample Images and Annotations section.

Contributors

GLglenn-jocher¹⁶ JKjk4e² MAMatthewNoyce¹ RIRizwanMunawar¹HAHaonan Liu¹

Created 2023年11月12日Updated 先週