Ultralytics YOLO27:
CC BY 4.0

COCO-Seg 데이터셋#

COCO-Seg 데이터셋은 COCO(문맥 속 일반 객체)의 인스턴스 세그멘테이션 마스크를 Ultralytics YOLO 라벨 형식으로 제공합니다. 80개 객체 카테고리에 걸쳐 폴리곤 마스크가 포함된 학습 이미지 118,287개와 검증 이미지 5,000개로 구성됩니다. 이 데이터셋은 COCO의 원본 이미지와 기본 세그멘테이션 어노테이션을 사용하고 YOLO 학습에 맞게 변환하므로, 인스턴스 세그멘테이션 작업을 수행하는 연구자와 개발자에게 중요한 리소스입니다.

COCO-Seg 사전 학습 모델#

모델크기
(픽셀)		mAP박스
50-95(e2e)		mAP마스크
50-95(e2e)		속도
CPU ONNX
(ms)		속도
T4 TensorRT10
(ms)		파라미터
(M)		FLOPs
(B)
YOLO26n-seg64039.633.953.3 ± 0.52.1 ± 0.02.79.3
YOLO26s-seg64047.340.0118.4 ± 0.93.3 ± 0.010.434.5
YOLO26m-seg64052.544.1328.2 ± 2.46.7 ± 0.123.6121.7
YOLO26l-seg64054.445.5387.0 ± 3.78.0 ± 0.128.0140.1
YOLO26x-seg64056.547.0787.0 ± 6.816.4 ± 0.162.8314.0

주요 기능#

  • COCO-Seg는 COCO train2017/val2017의 라벨이 지정된 이미지 123,287개(학습 118,287개 + 검증 5,000개)에 대한 인스턴스 세그멘테이션 마스크를 제공합니다. 이는 COCO의 전체 약 ~330K개 이미지 릴리스 중 일부입니다.
  • 이 데이터셋은 원본 COCO 데이터셋에 포함된 동일한 80개 객체 카테고리로 구성됩니다.
  • 어노테이션은 YOLO 폴리곤 라벨 형식의 인스턴스 세그멘테이션 마스크를 제공합니다.
  • COCO-Seg는 인스턴스 세그멘테이션 성능을 평가하기 위한 표준화된 mAP 및 mAR 지표를 제공하여 모델 성능을 효과적으로 비교할 수 있도록 합니다.
  • 다운로드 크기: 처음 사용할 때 ~20.3 GB입니다 (train2017.zip + val2017.zip + 라벨). 7 GB 크기의 test2017.zip는 해당 이미지에 정답이 제공되지 않으며 test-dev2017 제출에만 필요하므로 자동으로 가져오지 않습니다.

데이터셋 구조#

COCO-Seg 데이터셋은 세 가지 서브셋으로 나뉩니다:

  1. Train2017: 인스턴스 세그멘테이션 모델 학습에 사용되는 이미지 118,287개입니다.
  2. Val2017: 모델 개발 중 검증에 사용되는 이미지 5,000개입니다.
  3. Test-dev2017: 벤치마킹에 사용되는 test2017 이미지 40,670개 중 20,288개입니다. 이 서브셋의 정답 어노테이션은 공개되지 않으므로, 점수 산정을 위해 예측 결과를 COCO 평가 서버에 제출해야 합니다.

소규모 실험이 필요한 경우 COCO128-Seg(이미지 128개) 및 COCO8-Seg(이미지 8개) 서브셋을 참조하십시오.

응용 분야#

COCO-Seg는 YOLO 모델과 같은 인스턴스 세그멘테이션용 딥러닝 모델을 학습하고 평가하는 데 널리 사용됩니다. 많은 수의 어노테이션 이미지, 다양한 객체 카테고리, 표준화된 평가 지표를 제공하므로 컴퓨터 비전 연구자와 실무자에게 필수적인 리소스입니다. 전체 COCO-Seg 어노테이션은 Ultralytics Platform에서 찾아보고 관리할 수도 있습니다.

데이터셋 YAML#

YAML 파일을 사용하여 데이터셋 구성을 정의합니다. 이 파일에는 데이터셋의 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.yaml에서 관리됩니다.

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 (20.3 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 100개의 에포크 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인자 전체 목록은 모델 학습 페이지를 참조하십시오.

학습 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)

샘플 이미지 및 주석#

COCO-Seg에는 COCO와 동일하게 다양한 이미지, 객체 카테고리 및 복잡한 장면이 포함되어 있으며, 인스턴스 세그멘테이션 마스크는 YOLO 라벨 형식으로 제공됩니다. 다음은 데이터셋 이미지와 해당 인스턴스 세그멘테이션 마스크의 몇 가지 예시입니다:

COCO 세그멘테이션 데이터셋 모자이크 학습 배치

  • 모자이크 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이를 통해 다양한 객체 크기, 종횡비 및 맥락에 대한 모델의 일반화 성능이 향상됩니다.

인용 및 감사의 글#

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

인용문
@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 리소스를 만들고 유지 관리해 주신 COCO Consortium에 감사드립니다. COCO 데이터셋과 제작자에 대한 자세한 내용은 COCO 데이터셋 웹사이트를 방문하십시오.

FAQ#

  • COCO-Seg는 동일한 train2017 이미지 118,287개와 val2017 이미지 5,000개에 대한 COCO의(문맥 속 일반 객체) 기본 인스턴스 세그멘테이션 마스크를 Ultralytics YOLO 형식으로 패키징한 것입니다. 원본 COCO 어노테이션에는 이미 80개 모든 객체 카테고리에 대한 이러한 폴리곤 마스크가 포함되어 있으며, COCO-Seg는 이를 객체 인스턴스 세그멘테이션 학습에 사용되는 YOLO 라벨 형식으로 변환합니다.

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

    학습 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)

  • COCO-Seg 데이터셋에는 다음과 같은 주요 특징이 있습니다:

    • 라벨이 지정된 COCO train2017/val2017 이미지 123,287개(학습 118,287개 + 검증 5,000개)에 대한 인스턴스 세그멘테이션 마스크를 제공합니다.
    • 원본 COCO에 포함된 동일한 80개 객체 카테고리에 어노테이션을 제공합니다.
    • YOLO 폴리곤 라벨 형식의 인스턴스 세그멘테이션 마스크를 제공합니다.
    • 인스턴스 세그멘테이션 작업에 대해 평균 정밀도(mAP) 및 평균 재현율(mAR)과 같은 표준화된 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:

    모델크기
    (픽셀)    		mAP박스
    50-95(e2e)    		mAP마스크
    50-95(e2e)    		속도
    CPU ONNX
    (ms)    		속도
    T4 TensorRT10
    (ms)    		파라미터
    (M)    		FLOPs
    (B)
    YOLO26n-seg64039.633.953.3 ± 0.52.1 ± 0.02.79.3
    YOLO26s-seg64047.340.0118.4 ± 0.93.3 ± 0.010.434.5
    YOLO26m-seg64052.544.1328.2 ± 2.46.7 ± 0.123.6121.7
    YOLO26l-seg64054.445.5387.0 ± 3.78.0 ± 0.128.0140.1
    YOLO26x-seg64056.547.0787.0 ± 6.816.4 ± 0.162.8314.0

    이러한 모델은 경량 YOLO26n-seg부터 더욱 강력한 YOLO26x-seg까지 다양하며, 여러 애플리케이션 요구 사항에 맞게 속도와 정확도 간의 서로 다른 트레이드오프를 제공합니다. 모델 선택에 대한 자세한 내용은 Ultralytics 모델 페이지를 방문하십시오.

  • COCO-Seg 데이터셋은 특정 학습 및 평가 요구 사항에 따라 세 가지 서브셋으로 나뉩니다:

    1. Train2017: 주로 인스턴스 세그멘테이션 모델 학습에 사용되는 이미지 118,287개를 포함합니다.
    2. Val2017: 학습 과정 중 검증에 사용되는 이미지 5,000개로 구성됩니다.
    3. Test-dev2017: 학습된 모델의 테스트 및 벤치마킹을 위해 할당된 test2017 이미지 40,670개 중 20,288개를 포함합니다. 이 서브셋의 정답 어노테이션은 공개되지 않으며, 성능 결과는 평가를 위해 COCO 평가 서버에 제출된다는 점에 유의하십시오.

    소규모 실험이 필요한 경우 COCO128-Seg 데이터셋(이미지 128개) 또는 COCO train 2017 세트의 이미지 8개만 포함하는 축소 버전인 COCO8-Seg 데이터셋을 고려할 수도 있습니다.

기여자
GLglenn-jocher19RAraimbekovm5JKjk4e3RIRizwanMunawar2PDpderrenger1Y-Y-T-G1AMambitious-octopus1MAMatthewNoyce1LUlunarifish1

댓글