コンテンツへスキップ

COCO8-Segデータセット

はじめに

UltralyticsCOCO8-Segは、COCO train 2017セットの最初の8画像(トレーニング用4画像、検証用4画像)で構成される、小規模だが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ある。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枚の画像は、簡単に管理できるほど小さいが、トレーニングパイプラインのエラーをテストし、より大きなデータセットをトレーニングする前のサニティチェックとして機能するのに十分な多様性がある。

このデータセットは、Ultralytics HUB および YOLO11.

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われる。このファイルには、データセットのパス、クラス、その他の関連情報が含まれている。COCO8-Segデータセットの場合は coco8-seg.yaml ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

ultralytics/cfg/datasets/coco8-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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YOLO11n-segモデルを画像サイズ640で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います。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。

列車の例

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

サンプル画像と注釈

COCO8-Segデータセットの画像の例を、対応するアノテーションとともに紹介する:

データセットサンプル画像

  • 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たトレーニングバッチを示す。モザイク処理とは、複数の画像を1つの画像に合成することで、各トレーニングバッチ内のオブジェクトやシーンの種類を増やす手法です。これにより、異なるオブジェクトサイズ、アスペクト比、コンテクストに対するモデルの汎化能力を向上させることができます。

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、および学習プロセスで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開発に使用する場合は、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}
}

COCOコンソーシアムが、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し、維持してくれていることに感謝したい。COCOデータセットとその作成者についての詳細は、COCOデータセットのウェブサイトをご覧ください。

よくあるご質問

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ていますか?

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画像-4画像(トレーニング用)と4画像(検証用)から構成される。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用に調整されている。特にUltralytics YOLO11HUBで、より大きなデータセットに拡張する前に、迅速な反復とパイプラインのエラーチェックに特に役立ちます。詳細な使用方法については、モデルトレーニングのページを参照してください。

COCO8-Segデータセットを使ってYOLO11n-segモデルを学習するにはどうすればよいですか?

COCO8-SegデータセットでYOLO11n-segモデルを画像サイズ640で100エポック学習させるには、Python またはCLI コマンドを使います。以下に簡単な例を示す:

列車の例

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

使用可能な引数や設定オプションの詳細については、トレーニングのドキュメントをご覧ください。

なぜCOCO8-Segデータセットがモデル開発とデバッグに重要なのですか?

COCO8-Segデータセットは、小さなサイズでの管理性と多様性の点で理想的である。わずか8枚の画像から構成され、大規模なデータセットのオーバーヘッドなしに、セグメンテーションモデルや新しい検出アプローチのテストやデバッグを迅速に行うことができます。このため、大規模なデータセットで大規模なトレーニングを行う前に、サニティチェックやパイプラインエラーの特定を行うための効率的なツールとなります。データセットフォーマットの詳細はこちら

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 リポジトリにあります。このファイルに直接アクセスできます。YAMLファイルには、データセットのパス、クラス、モデルの学習と検証に必要な設定に関する重要な情報が含まれています。

COCO8-Segデータセットのトレーニングでモザイク処理を行う利点は何ですか?

トレーニング中にモザイク処理を行うことで、各トレーニングバッチにおけるオブジェクトやシーンの多様性と多様性を高めることができる。このテクニックは、複数の画像を1つの合成画像に結合し、異なるオブジェクトのサイズ、アスペクト比、シーン内のコンテキストに対するモデルの汎化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、モデルのロバスト性と精度を向上させるのに有効です。モザイク処理された画像の例については、サンプル画像と注釈のセクションを参照してください。

📅作成:1年前 ✏️更新しました 2ヶ月前

コメント