YOLO Vision 2026:
CC BY 4.0

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、小規模ながら汎用性の高い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。8枚の画像により、簡単に管理できるほど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、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のに十分な多様性備えています。

データセットの構造#

  • 画像: 合計8枚 (学習用4枚 / 検証用4枚)
  • クラス: COCOの80カテゴリ
  • ラベル: 各画像ファイルに対応して labels/{train,val} の下に保存されたYOLOフォーマットのポリゴン。
  • ダウンロードサイズ: 約1 MB。

COCO8-Seg on Ultralytics Platformを探索して、ポリゴンマスク付きのすべての画像を表示し、Chartsタブでクラス分布とアノテーションヒートマップを確認し、それをクローンしてクラウド上で独自のモデルをトレーニングします。

データセット YAML#

YAMLファイルはデータセットの設定を定義するために使用されます。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で維持されています。

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#

画像サイズ640で100エポックの間COCO8-SegデータセットでYOLO26n-segモデルを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。利用可能な引数の詳細なリストについては、モデルのTraining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="coco8-seg.yaml", epochs=100, imgsz=640)

サンプル画像とアノテーション#

以下に、COCO8-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)#

  • COCO8-Seg datasetは、COCO train 2017セットからの最初の8枚の画像（トレーニング用4枚、検証用4枚）で構成される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、または新しい検出方法の実験に合わせて調整されています。これは、より大規模なデータセットにスケーリングする前の、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と組み合わせて特に役立ちます。詳細な使用方法については、モデルのTrainingページを参照してください。

  • 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で学習させるには、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="coco8-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ループはフルCOCOよりもはるかに小さいため、COCO8-Segを使用すると、より大規模なデータセットにコミットする前に、トレーニングと検証のパスを実行してパイプラインのエラー（破損したデータローダー、設定ミスのある損失、または不適切な拡張）を検出し捕捉できます。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 segmentation dataset guideを参照してください。

  • COCO8-Seg datasetのYAML設定ファイルは、Ultralyticsリポジトリで入手できます。https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yamlで直接ファイルにアクセスできます。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。

  • COCO8-Seg（8枚の画像）は、サイズに関してCOCO128-Seg（128枚の画像）および完全なCOCO-Segデータセット（118,287枚のトレーニング画像）の下に位置します。

    • COCO8-Seg: 8画像（トレーニング4枚、検証4枚）— CIや迅速なデバッグに最適な、最速のサニティチェック用データセットです。
    • 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。

    パイプラインを最も迅速にチェックするためにCOCO8-Segを使用し、自信が付いたらCOCO128-Segや完全なCOCO-Segデータセットへと規模を拡大してください。

貢献者
GLglenn-jocher17RAraimbekovm4JKjk4e2PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

コメント