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(トレーニング用に4枚、検証用に4枚)で構成される、小型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とデバッグ、または新しい検出アプローチの実験に最適です。8枚の画像で、管理が容易なほど小さく、エラーのトレーニングパイプラインをテストし、より大きなデータセットをトレーニングする前に健全性チェックとして機能するのに十分な多様性があります。
このデータセットは、Ultralytics HUBおよびYOLO11での使用を目的としています。
データセット YAML
データセットの構成を定義するために、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
fileは以下で管理されています: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.
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
使用法
画像サイズ640でCOCO8-Segデータセット上でYOLO11n-segモデルを100エポック学習させるには、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。
学習の例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
サンプル画像とアノテーション
COCO8-Segデータセットからの画像の例と、それに対応するアノテーションを以下に示します。
- モザイク化された画像: 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るトレーニングバッチを示しています。モザイキングは、各トレーニングバッチ内のオブジェクトとシーンの多様性を高めるために、複数の画像を1つの画像に結合するトレーニング中に使用される手法です。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するモデルの汎化能力が向上します。
この例は、COCO8-Segデータセット内の画像の多様性と複雑さ、およびトレーニングプロセス中にモザイク処理を使用する利点を示しています。
引用と謝辞
COCO データセットを研究または開発で使用する場合は、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}
}
コンピュータビジョンコミュニティにとって貴重なリソースを作成および管理している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の詳細については、COCOデータセットのWebサイトをご覧ください。
よくある質問
COCO8-Segデータセットとは何ですか?また、Ultralytics YOLO11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(トレーニング用に4枚、検証用に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。Ultralytics YOLO11およびHUBと組み合わせて、より大きなデータセットにスケールする前に、迅速な反復とパイプラインのエラーチェックを行う場合に特に役立ちます。詳細な使用法については、モデルのトレーニングページを参照してください。
COCO8-Segデータセットを使用してYOLO11n-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?
画像サイズ640でCOCO8-SegデータセットでYOLO11n-segモデルを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。簡単な例を次に示します。
学習の例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # Load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
利用可能な引数と構成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。
COCO8-Segデータセットが、モデルの開発とデバッグにとって重要なのはなぜですか?
COCO8-Seg データセットは、コンパクトながら多様な 8 つの画像のセットを提供し、セグメンテーションモデルの迅速なテストとデバッグ、または新しい検出技術の実験に最適です。サイズが小さいため、迅速な健全性チェックと早期のパイプライン検証が可能になり、より大規模なデータセットにスケールする前に問題を特定できます。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。
COCO8-SegデータセットのYAML構成ファイルはどこにありますか?
COCO8-Seg データセットの YAML 構成ファイルは、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でファイルを直接確認できます。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パス、クラス、構成設定に関する重要な情報が含まれています。
COCO8-Segデータセットで学習中にモザイク処理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とシーンの多様性とバリエーションを増やすのに役立ちます。この手法は、複数の画像を1つの合成画像に結合し、シーン内のさまざまなオブジェクトサイズ、アスペクト比、およびコンテキストに一般化するモデルの能力を高めます。モザイク処理は、モデルの堅牢性と精度を向上させるのに役立ちます。特にCOCO8-Segのような小さなデータセットを扱う場合に有効です。モザイク画像の例については、サンプル画像とアノテーションのセクションを参照してください。