Link to this sectionCOCO8-Segデータセット#

Link to this sectionはじめに#

Ultralytics COCO8-Segは、COCO train 2017セットの最初の8枚の画像（学習用4枚、検証用4枚）で構成される、小規模ながら多目的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、新しい検出手法の実験に最適です。8枚の画像という小規模なサイズにより、管理が容易であると同時に、トレーニングパイプラインのエラーチェックや、より大規模なデータセットでトレーニングを行う前の健全性確認に適した多様性を備えています。

Link to this section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。

Link to this section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ファイルが https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml に管理されています。

# 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

Link to this section使用方法#

COCO8-Segデータセットを使用して、画像サイズ640で100 エポックのYOLO26n-segモデルを学習させるには、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。

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)

Link to this section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。

• 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。

この例は、COCO8-Segデータセット内の画像の多様性と複雑さ、そして学習プロセス中にモザイク処理（mosaicing）を使用する利点を示しています。

Link to this section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：

@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}
}

この貴重なリソースを作成し、維持管理してくださったCOCOコンソーシアムの皆様に、コンピュータビジョンコミュニティを代表して感謝申し上げます。COCOデータセットとその作成者の詳細については、COCOデータセットウェブサイトをご覧ください。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionCOCO8-Segデータセットとは何か、またそれはUltralytics YOLO26でどのように使用されますか？#

COCO8-Segデータセットは、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8枚の画像（学習用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、または新しい検出手法の実験に合わせて調整されています。これは、Ultralytics YOLO26 や Platform を使用して、より大規模なデータセットにスケールアップする前に、迅速なイテレーションやパイプラインのエラーチェックを行うために特に役立ちます。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。

Link to this sectionCOCO8-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どうすればよいですか？#

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：

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、トレーニングのドキュメントを確認してください。

Link to this sectionCOCO8-Segデータセットがモデルの開発やデバッグにおいて重要な理由は何ですか？#

COCO8-Segデータセットは、8枚の画像というコンパクトでありながら多様なセットを提供しており、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を迅速に行うのに最適です。サイズが小さいため、迅速な健全性チェックやパイプラインの早期検証が可能となり、より大きなデータセットにスケールアップ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。

Link to this sectionCOCO8-SegデータセットのYAML設定ファイルはどこで確認できますか？#

COCO8-SegデータセットのYAML設定ファイルは、Ultralyticsのリポジトリで入手可能です。以下のリンクから直接ファイルにアクセスできます: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml。この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、設定項目に関する重要な情報が含まれています。

Link to this sectionCOCO8-Segデータセットを用いた学習中にモザイク処理（mosaicing）を使用する利点は何ですか？#

トレーニング中にモザイク処理を使用すると、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と種類を増やすことができます。この手法は複数の画像を1つの合成画像に組み合わせるもので、異なるオブジェクトサイズ、アスペクト比、シーン内の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。モザイク処理は、特にCOCO8-Segのような小さなデータセットを扱う場合に、モデルの堅牢性と精度を向上させるのに有益です。モザイク処理された画像の例については、サンプル画像とアノテーションセクションを参照してください。