콘텐츠로 건너뛰기

COCO-Seg 데이터셋

COCO-Seg 데이터셋은 COCO(Common Objects in Context) 데이터셋의 확장판으로, 객체 인스턴스 분할 연구를 지원하기 위해 특별히 설계되었습니다. 이 데이터셋은 COCO와 동일한 이미지를 사용하지만, 더 상세한 분할 주석을 도입합니다. 인스턴스 분할 작업을 수행하는 연구원 및 개발자, 특히 Ultralytics YOLO 모델 훈련에 중요한 자료입니다.

COCO-Seg 사전 학습된 모델

모델크기
(픽셀)		mAPbox
50-95(e2e)		mAPmask
50-95(e2e)		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n-seg64039.633.953.3 ± 0.52.1 ± 0.02.79.1
YOLO26s-seg64047.340.0118.4 ± 0.93.3 ± 0.010.434.2
YOLO26m-seg64052.544.1328.2 ± 2.46.7 ± 0.123.6121.5
YOLO26l-seg64054.445.5387.0 ± 3.78.0 ± 0.128.0139.8
YOLO26x-seg64056.547.0787.0 ± 6.816.4 ± 0.162.8313.5

주요 기능

  • COCO-Seg는 COCO의 원본 이미지 33만 장을 유지합니다.
  • 이 데이터셋은 원본 COCO 데이터셋에서 발견되는 동일한 80가지 객체 카테고리로 구성됩니다.
  • 이제 어노테이션에는 이미지에 있는 각 객체에 대한 더 자세한 인스턴스 분할 마스크가 포함됩니다.
  • COCO-Seg는 객체 detect를 위한 평균 정밀도 (mAP)와 인스턴스 segment 작업을 위한 평균 재현율 (mAR)과 같은 표준화된 평가 지표를 제공하여 모델 성능의 효과적인 비교를 가능하게 합니다.

데이터 세트 구조

COCO-Seg 데이터셋은 세 가지 하위 집합으로 나뉩니다:

  1. Train2017: 인스턴스 세분화 모델 학습용 이미지 118만 개.
  2. Val2017: 모델 개발 중 검증에 사용되는 5K 이미지입니다.
  3. Test2017: 벤치마킹에 사용되는 2만 장의 이미지. 이 하위 집합에 대한 실제 주석은 공개적으로 이용할 수 없으므로, 점수 산정을 위해 예측 결과를 COCO 평가 서버에 제출해야 합니다.

응용 분야

COCO-Seg는 YOLO 모델과 같은 인스턴스 segment의 딥러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 수많은 주석이 달린 이미지, 다양한 객체 카테고리, 그리고 표준화된 평가 지표는 이 데이터셋을 컴퓨터 비전 연구원 및 실무자에게 필수적인 자료로 만듭니다.

데이터세트 YAML

데이터셋 구성을 정의하는 데 YAML(Yet Another Markup Language) 파일이 사용됩니다. 이 파일에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함됩니다. COCO-Seg 데이터셋의 경우, coco.yaml 파일은 다음 위치에서 관리됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

ultralytics/cfg/datasets/coco.yaml

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

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.1 GB)

# 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: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# 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: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

사용법

이미지 크기 640으로 COCO-Seg 데이터셋에서 YOLO26n-seg 모델을 100 epochs 동안 학습시키려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하십시오.

훈련 예제

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="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo26n-seg.pt epochs=100 imgsz=640

샘플 이미지 및 주석

COCO-Seg는 이전 버전인 COCO와 마찬가지로 다양한 객체 카테고리와 복잡한 장면을 포함하는 다채로운 이미지 세트를 포함합니다. 그러나 COCO-Seg는 이미지 내 각 객체에 대해 더 상세한 인스턴스 segment 마스크를 도입합니다. 다음은 데이터셋의 이미지 예시와 해당 인스턴스 segment 마스크입니다:

COCO 데이터셋 모자이크 훈련 배치

  • 모자이크 이미지: 이 이미지는 모자이크 데이터 세트 이미지로 구성된 훈련 배치를 보여줍니다. 모자이킹은 각 훈련 배치 내에서 객체와 장면의 다양성을 높이기 위해 여러 이미지를 단일 이미지로 결합하는 훈련 중에 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 컨텍스트로 일반화하는 데 도움이 됩니다.

이 예시는 COCO-Seg 데이터셋 이미지의 다양성과 복잡성, 그리고 훈련 과정에서 모자이킹(mosaicing) 사용의 이점을 보여줍니다.

인용 및 감사의 말씀

연구 또는 개발 작업에서 COCO-Seg 데이터셋을 사용하는 경우, 원본 COCO 논문을 인용하고 COCO-Seg로의 확장을 명시해 주십시오:

@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}
}

컴퓨터 비전 커뮤니티를 위한 이 귀중한 자료를 만들고 유지해 준 COCO 컨소시엄에 감사드립니다. COCO 데이터셋 및 제작자에 대한 자세한 정보는 COCO 데이터셋 웹사이트를 방문하십시오.

FAQ

COCO-Seg 데이터셋은 무엇이며, 원본 COCO 데이터셋과 어떻게 다른가요?

COCO-Seg 데이터셋은 원본 COCO(Common Objects in Context) 데이터셋의 확장판으로, 인스턴스 segment 작업을 위해 특별히 설계되었습니다. COCO 데이터셋과 동일한 이미지를 사용하지만, COCO-Seg는 더 상세한 segment 주석을 포함하여 객체 인스턴스 segment에 중점을 두는 연구원 및 개발자에게 강력한 자료가 됩니다.

COCO-Seg 데이터셋을 사용하여 YOLO26 모델을 어떻게 학습시킬 수 있습니까?

이미지 크기 640으로 COCO-Seg 데이터셋에서 YOLO26n-seg 모델을 100 epochs 동안 학습시키려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 자세한 목록은 모델 학습 페이지를 참조하십시오.

훈련 예제

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="coco.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo26n-seg.pt epochs=100 imgsz=640

COCO-Seg 데이터셋의 주요 특징은 무엇인가요?

COCO-Seg 데이터셋에는 몇 가지 주요 기능이 포함되어 있습니다.

  • COCO 데이터셋의 원본 이미지 33만 장을 유지합니다.
  • 원본 COCO에서 발견되는 동일한 80가지 객체 카테고리에 주석을 답니다.
  • 각 객체에 대해 더 자세한 인스턴스 분할 마스크를 제공합니다.
  • 객체 detect를 위한 평균 정밀도 (mAP)와 인스턴스 segment 작업을 위한 평균 재현율 (mAR)과 같은 표준화된 평가 지표를 사용합니다.

COCO-Seg에 사용 가능한 사전 학습된 모델은 무엇이며, 성능 지표는 어떻게 되나요?

COCO-Seg 데이터셋은 다양한 성능 지표를 가진 여러 사전 학습된 YOLO26 segmentation 모델을 지원합니다. 다음은 사용 가능한 모델과 주요 지표 요약입니다.

모델크기
(픽셀)		mAPbox
50-95(e2e)		mAPmask
50-95(e2e)		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n-seg64039.633.953.3 ± 0.52.1 ± 0.02.79.1
YOLO26s-seg64047.340.0118.4 ± 0.93.3 ± 0.010.434.2
YOLO26m-seg64052.544.1328.2 ± 2.46.7 ± 0.123.6121.5
YOLO26l-seg64054.445.5387.0 ± 3.78.0 ± 0.128.0139.8
YOLO26x-seg64056.547.0787.0 ± 6.816.4 ± 0.162.8313.5

이 모델들은 경량 YOLO26n-seg부터 더 강력한 YOLO26x-seg까지 다양하며, 다양한 애플리케이션 요구 사항에 맞춰 속도와 정확도 사이의 다양한 절충점을 제공합니다. 모델 선택에 대한 자세한 정보는 Ultralytics 모델 페이지를 방문하십시오.

COCO-Seg 데이터셋은 어떻게 구조화되어 있으며 어떤 하위 집합을 포함하고 있나요?

COCO-Seg 데이터셋은 특정 훈련 및 평가 요구 사항을 위해 세 가지 하위 집합으로 나뉩니다:

  1. Train2017: 주로 인스턴스 분할 모델을 학습하는 데 사용되는 118K개의 이미지를 포함합니다.
  2. Val2017: 훈련 과정 중 검증에 활용되는 5K개의 이미지로 구성됩니다.
  3. Test2017: 훈련된 모델의 테스트 및 벤치마킹을 위해 예약된 2만 장의 이미지를 포함합니다. 이 하위 집합에 대한 실제 주석은 공개적으로 이용할 수 없으며, 성능 결과는 평가를 위해 COCO 평가 서버에 제출됩니다.

더 작은 실험 요구 사항을 위해, COCO train 2017 세트에서 단 8개의 이미지만을 포함하는 압축 버전인 COCO8-seg 데이터셋을 사용하는 것을 고려할 수 있습니다.



5; 2 년 전에 생성됨 ✏️ 2 전에 업데이트됨
glenn-jocherjk4eY-T-Gambitious-octopusUltralyticsAssistantMatthewNoyceRizwanMunawarhnliu_2@stu.xidian.edu.cnRizwanMunawar

댓글