COCO-Seg 데이터셋#
COCO-Seg 데이터셋은 COCO(맥락 속 일반 객체) 인스턴스 세그먼테이션 마스크를 Ultralytics YOLO 라벨 형식으로 제공합니다. 80개 객체 카테고리에 걸쳐 학습 이미지 118,287개와 검증 이미지 5,000개가 포함되며, 각 이미지에는 폴리곤 마스크가 있습니다. COCO의 원본 이미지와 기본 세그먼테이션 어노테이션을 YOLO 학습에 맞게 변환했으므로, 인스턴스 세그먼테이션 작업을 수행하는 연구자와 개발자에게 중요한 리소스입니다.
COCO-Seg 사전 학습 모델#
| 모델 | 크기 (픽셀) | mAP박스 50-95(e2e) | mAP마스크 50-95(e2e) | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|---|
| YOLO26n-seg | 640 | 39.6 | 33.9 | 53.3 ± 0.5 | 2.1 ± 0.0 | 2.7 | 9.3 |
| YOLO26s-seg | 640 | 47.3 | 40.0 | 118.4 ± 0.9 | 3.3 ± 0.0 | 10.4 | 34.5 |
| YOLO26m-seg | 640 | 52.5 | 44.1 | 328.2 ± 2.4 | 6.7 ± 0.1 | 23.6 | 121.7 |
| YOLO26l-seg | 640 | 54.4 | 45.5 | 387.0 ± 3.7 | 8.0 ± 0.1 | 28.0 | 140.1 |
| YOLO26x-seg | 640 | 56.5 | 47.0 | 787.0 ± 6.8 | 16.4 ± 0.1 | 62.8 | 314.0 |
주요 기능#
- COCO-Seg는 COCO 전체 공개 데이터셋 약 ~330K개 이미지 중 라벨링된 train2017/val2017 이미지 123,287개(학습 118,287개 + 검증 5,000개)에 대한 인스턴스 세그먼테이션 마스크를 제공합니다.
- 데이터셋은 원본 COCO 데이터셋과 동일한 80개 객체 카테고리로 구성됩니다.
- 어노테이션은 YOLO 폴리곤 라벨 형식의 인스턴스 세그먼테이션 마스크를 제공합니다.
- COCO-Seg는 인스턴스 세그먼테이션 성능 평가를 위한 표준화된 mAP 및 mAR 지표를 제공하여 모델 성능을 효과적으로 비교할 수 있도록 합니다.
- 다운로드 크기: 최초 사용 시 ~20.3 GB입니다(
train2017.zip+val2017.zip+ 라벨). 7 GB 크기의test2017.zip는 자동으로 가져오지 않습니다. 해당 이미지에는 정답 레이블이 공개되지 않았으며 test-dev2017 제출에만 필요하기 때문입니다.
데이터셋 구조#
COCO-Seg 데이터셋은 다음 세 가지 하위 집합으로 나뉩니다:
- Train2017: 인스턴스 세그멘테이션 모델 학습에 사용되는 이미지 118,287개입니다.
- Val2017: 모델 개발 중 검증에 사용되는 이미지 5,000개입니다.
- Test-dev2017: test2017 이미지 40,670개 중 벤치마킹에 사용되는 20,288개입니다. 이 하위 집합의 정답 어노테이션은 공개되지 않으므로, 점수를 확인하려면 예측 결과를 COCO 평가 서버에 제출해야 합니다.
소규모 실험이 필요한 경우 COCO128-Seg(이미지 128개) 및 COCO8-Seg(이미지 8개) 하위 집합을 참조하세요.
응용 분야#
COCO-Seg는 YOLO 모델과 같은 인스턴스 세그멘테이션 관련 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 어노테이션이 지정된 이미지의 수가 많고, 객체 카테고리가 다양하며, 평가 지표가 표준화되어 있어 컴퓨터 비전 연구자와 실무자에게 없어서는 안 될 자료입니다. 전체 COCO-Seg 어노테이션은 Ultralytics Platform에서 찾아보고 관리할 수도 있습니다.
데이터셋 YAML#
데이터셋 구성을 정의하는 데 YAML 파일을 사용합니다. YAML 파일에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함됩니다. COCO-Seg 데이터셋의 경우 coco.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml에 유지 관리됩니다.
# 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 (20.3 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 via https://cocodataset.org/#detection-eval
# 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 (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
urls = [
"http://images.cocodataset.org/zips/train2017.zip", # 19G, 118k images
"http://images.cocodataset.org/zips/val2017.zip", # 1G, 5k images
]
download(urls, dir=dir / "images", threads=3)사용법#
이미지 크기 640으로 COCO-Seg 데이터셋에서 YOLO26n-seg 모델을 100 에폭 동안 학습하려면 다음 코드 예제를 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n-seg.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="coco.yaml", epochs=100, imgsz=640)샘플 이미지 및 어노테이션#
COCO-Seg에는 COCO와 동일하게 다양성이 풍부한 이미지, 객체 카테고리, 복잡한 장면이 포함되어 있으며, 인스턴스 세그멘테이션 마스크는 YOLO 레이블 형식으로 제공됩니다. 다음은 데이터셋 이미지와 각 이미지에 대응하는 인스턴스 세그멘테이션 마스크의 예입니다:
- 모자이크 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여 줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합해 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이를 통해 모델은 다양한 객체 크기, 종횡비 및 맥락에 더 잘 일반화할 수 있습니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 COCO-Seg 데이터셋을 사용하는 경우, 원본 COCO 논문을 인용하고 COCO-Seg로의 확장을 다음과 같이 명시해 주세요:
@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 커뮤니티에 이처럼 귀중한 자료를 만들고 유지 관리해 주신 COCO Consortium에 감사드립니다. COCO 데이터셋과 제작자에 관한 자세한 정보는 COCO 데이터셋 웹사이트를 방문하세요.
자주 묻는 질문#
COCO-Seg는 COCO의 (문맥 속 공통 객체) 기본 인스턴스 세그멘테이션 마스크를 Ultralytics YOLO 형식으로 패키징한 것으로, 동일한 train2017 이미지 118,287개와 val2017 이미지 5,000개를 대상으로 합니다. 원본 COCO 어노테이션에는 이미 80개 객체 카테고리 전체의 다각형 마스크가 포함되어 있으며, COCO-Seg는 이를 객체 인스턴스 세그멘테이션 학습에 사용하는 YOLO 레이블 형식으로 변환합니다.
이미지 크기 640으로 COCO-Seg 데이터셋에서 YOLO26n-seg 모델을 100 에폭 동안 학습하려면 다음 코드 예제를 사용할 수 있습니다. 사용 가능한 학습 인수의 자세한 목록은 모델 학습 페이지를 참조하세요.
학습 예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n-seg.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장). # 모델 학습 results = model.train(data="coco.yaml", epochs=100, imgsz=640)COCO-Seg 데이터셋에는 다음과 같은 주요 특징이 있습니다:
- COCO train2017/val2017 이미지 123,287개(Train 118,287개 + Val 5,000개)에 대한 인스턴스 세그멘테이션 마스크를 제공합니다.
- 원본 COCO와 동일한 80개 객체 카테고리에 어노테이션을 지정합니다.
- YOLO 다각형 레이블 형식의 인스턴스 세그멘테이션 마스크를 제공합니다.
- 인스턴스 세그멘테이션 작업에 평균 정밀도(Precision, mAP) 및 평균 재현율(mAR)과 같은 표준 평가 지표를 사용합니다.
COCO-Seg 데이터셋은 다양한 성능 지표를 제공하는 여러 사전 학습 YOLO26 세그멘테이션 모델을 지원합니다. 사용 가능한 모델과 주요 지표를 요약하면 다음과 같습니다:
모델 크기
(픽셀)mAP박스
50-95(e2e)mAP마스크
50-95(e2e)속도
CPU ONNX
(ms)속도
T4 TensorRT10
(ms)파라미터
(M)FLOPs
(B)YOLO26n-seg 640 39.6 33.9 53.3 ± 0.5 2.1 ± 0.0 2.7 9.3 YOLO26s-seg 640 47.3 40.0 118.4 ± 0.9 3.3 ± 0.0 10.4 34.5 YOLO26m-seg 640 52.5 44.1 328.2 ± 2.4 6.7 ± 0.1 23.6 121.7 YOLO26l-seg 640 54.4 45.5 387.0 ± 3.7 8.0 ± 0.1 28.0 140.1 YOLO26x-seg 640 56.5 47.0 787.0 ± 6.8 16.4 ± 0.1 62.8 314.0 이 모델은 경량 YOLO26n-seg부터 더 강력한 YOLO26x-seg까지 다양하며, 여러 애플리케이션 요구 사항에 맞춰 속도와 정확도 사이의 다양한 절충점을 제공합니다. 모델 선택에 관한 자세한 내용은 Ultralytics 모델 페이지를 방문하세요.
COCO-Seg 데이터셋은 특정 학습 및 평가 요구 사항에 따라 세 가지 하위 집합으로 나뉩니다:
- Train2017: 주로 인스턴스 세그멘테이션 모델 학습에 사용되는 이미지 118,287개를 포함합니다.
- Val2017: 학습 과정 중 검증에 사용되는 이미지 5,000개로 구성됩니다.
- Test-dev2017: 학습된 모델의 테스트 및 벤치마킹을 위해 별도로 마련된 test2017 이미지 40,670개 중 20,288개를 포함합니다. 이 하위 집합의 정답 어노테이션은 공개되지 않으며, 성능 평가를 위해 결과를 COCO 평가 서버에 제출해야 합니다.
소규모 실험을 원한다면 COCO128-Seg 데이터셋(이미지 128개)이나 COCO train 2017 세트에서 이미지 8개만 포함하는 소형 버전인 COCO8-Seg 데이터셋을 고려해 볼 수도 있습니다.