COCO-Seg 데이터 세트

Q: What pretrained models are available for COCO-Seg, and what are their performance metrics?

COCO-Seg 데이터 세트는 다양한 성능 메트릭을 통해 사전 학습된 여러 YOLO11 세분화 모델을 지원합니다. 다음은 사용 가능한 모델과 주요 메트릭에 대한 요약입니다: 이러한 모델은 가벼운 YOLO11n-seg부터 더 강력한 YOLO11x-seg까지 다양한 애플리케이션 요구 사항에 맞게 속도와 정확도 간의 다양한 절충안을 제공합니다. 모델 선택에 대한 자세한 내용은 Ultralytics 모델 페이지를 참조하세요.

Q: How is the COCO-Seg dataset structured and what subsets does it contain?

COCO-Seg 데이터 세트는 특정 훈련 및 평가 요구에 따라 세 개의 하위 집합으로 나뉩니다: 더 작은 실험이 필요한 경우, COCO train 2017 세트의 이미지 8개만 포함된 컴팩트 버전인 COCO8-seg 데이터 세트를 사용하는 것도 고려해 볼 수 있습니다.

COCO-Seg 데이터 세트는 COCO(Common Objects in Context) 데이터 세트의 확장판으로, 개체 인스턴스 분할 연구를 돕기 위해 특별히 고안되었습니다. COCO와 동일한 이미지를 사용하지만 더 자세한 세분화 주석을 도입했습니다. 이 데이터 세트는 인스턴스 세분화 작업을 하는 연구자와 개발자에게 특히 교육용으로 중요한 리소스입니다. Ultralytics YOLO 모델을 훈련하는 데 매우 유용합니다.

COCO-Seg 사전 학습 모델

모델	크기 ^(픽셀)	mAPbox^50-95	mAPmask^50-95	속도 ^{CPU ONNX (ms)}	속도 T4^{TensorRT10 (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLO11n-seg	640	38.9	32.0	65.9 ± 1.1	1.8 ± 0.0	2.9	10.4
YOLO11s-seg	640	46.6	37.8	117.6 ± 4.9	2.9 ± 0.0	10.1	35.5
YOLO11m-seg	640	51.5	41.5	281.6 ± 1.2	6.3 ± 0.1	22.4	123.3
YOLO11l-seg	640	53.4	42.9	344.2 ± 3.2	7.8 ± 0.2	27.6	142.2
YOLO11x-seg	640	54.7	43.8	664.5 ± 3.2	15.8 ± 0.7	62.1	319.0

주요 기능

COCO-Seg는 COCO의 원본 330K 이미지를 유지합니다.
이 데이터 세트는 원래 COCO 데이터 세트에 있는 것과 동일한 80개의 개체 카테고리로 구성되어 있습니다.
이제 주석에 이미지의 각 객체에 대한 더 자세한 인스턴스 분할 마스크가 포함됩니다.
COCO-Seg는 객체 감지를 위한 평균 평균 정밀도 (mAP), 인스턴스 세분화 작업을 위한 평균 평균 정확도 (mAR) 등 표준화된 평가 지표를 제공하여 모델 성능을 효과적으로 비교할 수 있습니다.

데이터 세트 구조

COCO-Seg 데이터 세트는 세 개의 하위 집합으로 분할됩니다:

Train2017: 이 하위 집합에는 인스턴스 분할 모델 학습을 위한 118만 개의 이미지가 포함되어 있습니다.
Val2017: 이 하위 집합에는 모델 학습 중 유효성 검사 목적으로 사용되는 5K 이미지가 포함됩니다.
Test2017: 이 하위 집합에는 학습된 모델을 테스트하고 벤치마킹하는 데 사용되는 20K 이미지가 포함됩니다. 이 하위 집합에 대한 실측 데이터 주석은 공개되지 않으며, 결과는 성능 평가를 위해 COCO 평가 서버에 제출됩니다.

애플리케이션

COCO-Seg는 YOLO 모델과 같은 인스턴스 세분화에서 딥러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 수많은 주석이 달린 이미지, 다양한 객체 범주, 표준화된 평가 메트릭은 컴퓨터 비전 연구자와 실무자에게 없어서는 안 될 리소스입니다.

데이터 세트 YAML

데이터 세트 구성을 정의하는 데는 YAML(또 다른 마크업 언어) 파일이 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 정보가 포함되어 있습니다. COCO-Seg 데이터 세트의 경우, 데이터 세트의 coco.yaml 파일은 다음 위치에서 유지됩니다. 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: ../datasets/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.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  url = "https://github.com/ultralytics/assets/releases/download/v0.0.0/"
  urls = [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 크기가 640인 100개의 에포크에 대해 COCO-Seg 데이터 세트에서 YOLO11n-seg 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.

열차 예시

PythonCLI

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

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

샘플 이미지 및 주석

COCO-Seg는 이전 버전인 COCO와 마찬가지로 다양한 객체 범주와 복잡한 장면이 포함된 다양한 이미지 세트를 포함합니다. 그러나 COCO-Seg는 이미지의 각 객체에 대해 보다 상세한 인스턴스 분할 마스크를 도입했습니다. 다음은 데이터 세트의 이미지와 해당 인스턴스 분할 마스크의 몇 가지 예시입니다:

데이터 세트 샘플 이미지

모자이크 이미지: 이 이미지는 모자이크된 데이터 세트 이미지로 구성된 훈련 배치의 예시입니다. 모자이크는 훈련 중에 여러 이미지를 하나의 이미지로 결합하여 각 훈련 배치 내의 개체와 장면의 다양성을 높이는 데 사용되는 기법입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 컨텍스트에 일반화할 수 있는 능력을 향상시키는 데 도움이 됩니다.

이 예는 COCO-Seg 데이터 세트에 포함된 이미지의 다양성과 복잡성, 그리고 훈련 과정에서 모자이크 사용의 이점을 보여줍니다.

인용 및 감사

연구 또는 개발 작업에 COCO-Seg 데이터세트를 사용하는 경우, 원본 COCO 논문을 인용하고 COCO-Seg에 대한 확장성을 인정해 주세요:

BibTeX

@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 위해 이 귀중한 리소스를 만들고 유지 관리해 주신 COCO 컨소시엄에 감사의 말씀을 전합니다. COCO 데이터 세트 및 제작자에 대한 자세한 내용은 COCO 데이터 세트 웹사이트를 참조하세요.

자주 묻는 질문

COCO-Seg 데이터 세트는 무엇이며 기존 COCO 데이터 세트와 어떻게 다른가요?

COCO-Seg 데이터 세트는 인스턴스 세분화 작업을 위해 특별히 설계된 기존 COCO(Common Objects in Context) 데이터 세트의 확장판입니다. COCO 데이터 세트와 동일한 이미지를 사용하지만 COCO-Seg에는 더 자세한 세분화 주석이 포함되어 있어 객체 인스턴스 세분화에 중점을 둔 연구자와 개발자를 위한 강력한 리소스입니다.

COCO-Seg 데이터 세트를 사용하여 YOLO11 모델을 훈련하려면 어떻게 해야 하나요?

이미지 크기가 640인 100개의 에포크에 대해 COCO-Seg 데이터 세트에서 YOLO11n-seg 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 자세한 목록은 모델 훈련 페이지를 참조하세요.

열차 예시

PythonCLI

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

# Start training from a pretrained *.pt model
yolo segment train data=coco.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

COCO-Seg 데이터 세트의 주요 특징은 무엇인가요?

COCO-Seg 데이터 세트에는 몇 가지 주요 기능이 포함되어 있습니다:

COCO 데이터 세트의 원본 330K 이미지를 유지합니다.
원래 COCO에 있는 것과 동일한 80개의 개체 카테고리에 주석을 달 수 있습니다.
각 오브젝트에 대해 더 자세한 인스턴스 세분화 마스크를 제공합니다.
객체 감지에는 평균 평균 정밀도 (mAP), 인스턴스 세분화 작업에는 평균 평균 회수율(mAR)과 같은 표준화된 평가 지표를 사용합니다.

COCO-Seg에 사용할 수 있는 사전 학습된 모델은 무엇이며, 성능 지표는 무엇인가요?

COCO-Seg 데이터 세트는 다양한 성능 메트릭으로 사전 학습된 여러 세분화 모델( YOLO11 )을 지원합니다. 다음은 사용 가능한 모델과 주요 메트릭에 대한 요약입니다:

모델	크기 ^(픽셀)	mAPbox^50-95	mAPmask^50-95	속도 ^{CPU ONNX (ms)}	속도 T4^{TensorRT10 (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLO11n-seg	640	38.9	32.0	65.9 ± 1.1	1.8 ± 0.0	2.9	10.4
YOLO11s-seg	640	46.6	37.8	117.6 ± 4.9	2.9 ± 0.0	10.1	35.5
YOLO11m-seg	640	51.5	41.5	281.6 ± 1.2	6.3 ± 0.1	22.4	123.3
YOLO11l-seg	640	53.4	42.9	344.2 ± 3.2	7.8 ± 0.2	27.6	142.2
YOLO11x-seg	640	54.7	43.8	664.5 ± 3.2	15.8 ± 0.7	62.1	319.0

이 모델들은 가벼운 YOLO11n-seg부터 더 강력한 YOLO11x-seg까지 다양한 애플리케이션 요구 사항에 맞게 속도와 정확도 사이의 다양한 절충안을 제공합니다. 모델 선택에 대한 자세한 내용은 Ultralytics 모델 페이지를 참조하세요.

COCO-Seg 데이터 세트는 어떻게 구성되며 어떤 하위 집합을 포함하나요?

COCO-Seg 데이터 세트는 특정 교육 및 평가 요구에 따라 세 개의 하위 집합으로 나뉩니다:

Train2017: 주로 인스턴스 세분화 모델 훈련에 사용되는 118만 개의 이미지가 포함되어 있습니다.
Val2017: 훈련 과정 중 검증에 활용되는 5K 이미지로 구성됩니다.
Test2017: 학습된 모델을 테스트하고 벤치마킹하기 위해 예약된 20K 이미지를 포함합니다. 이 하위 집합에 대한 실측 데이터 주석은 공개되지 않으며, 성능 결과는 평가를 위해 COCO 평가 서버에 제출됩니다.

소규모 실험이 필요한 경우, COCO 기차 2017 세트의 이미지 8개만 포함된 컴팩트 버전인 COCO8-seg 데이터 세트를 사용하는 것도 고려해 볼 수 있습니다.

📅1 년 전 생성됨 ✏️ 업데이트됨 8 일 전