Link to this sectionCOCO-Seg 데이터셋#

COCO-Seg 데이터셋은 COCO(Common Objects in Context) 데이터셋의 확장판으로, 객체 인스턴스 세그멘테이션 연구를 지원하기 위해 특별히 설계되었습니다. 이 데이터셋은 COCO와 동일한 이미지를 사용하지만 더 상세한 세그멘테이션 주석을 제공합니다. 이 데이터셋은 인스턴스 세그멘테이션 작업을 수행하는 연구자와 개발자, 특히 Ultralytics YOLO 모델을 학습시키는 데 중요한 리소스입니다.

Link to this sectionCOCO-Seg 사전 학습 모델#

Link to this section주요 특징#

• COCO-Seg는 원래 COCO 데이터셋의 33만 장 이미지를 그대로 유지합니다.
• 데이터셋은 원래 COCO 데이터셋과 동일한 80개의 객체 카테고리로 구성됩니다.
• 주석에는 이제 이미지 내 각 객체에 대한 더 상세한 인스턴스 세그멘테이션 마스크가 포함됩니다.
• COCO-Seg는 객체 탐지를 위한 mean Average Precision(mAP)과 인스턴스 세그멘테이션 작업을 위한 mean Average Recall(mAR)과 같은 표준화된 평가 지표를 제공하여 모델 성능을 효과적으로 비교할 수 있도록 합니다.

Link to this section데이터셋 구조#

COCO-Seg 데이터셋은 세 가지 하위 집합으로 구분됩니다:

1. Train2017: 인스턴스 세그멘테이션 모델 학습을 위한 11만 8천 장의 이미지.
2. Val2017: 모델 개발 중 검증에 사용되는 5천 장의 이미지.
3. Test2017: 벤치마크에 사용되는 2만 장의 이미지입니다. 이 서브셋에 대한 정답(Ground-truth) 주석은 공개되어 있지 않으므로, 예측 결과를 점수 산정을 위해 COCO evaluation server에 제출해야 합니다.

Link to this section응용 분야#

COCO-Seg는 YOLO 모델과 같은 인스턴스 세그멘테이션용 딥러닝 모델을 학습 및 평가하는 데 널리 사용됩니다. 방대한 양의 주석이 달린 이미지, 다양한 객체 카테고리, 표준화된 평가 지표는 컴퓨터 비전 연구자와 실무자들에게 없어서는 안 될 자원입니다.

Link to this section데이터셋 YAML#

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

# 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 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
  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)

Link to this section사용법#

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

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)

Link to this section샘플 이미지 및 주석#

COCO-Seg는 이전 버전인 COCO와 마찬가지로 다양한 객체 카테고리와 복잡한 장면이 포함된 이미지 세트를 제공합니다. 그러나 COCO-Seg는 이미지 내 각 객체에 대해 더 상세한 인스턴스 세그멘테이션 마스크를 도입했습니다. 다음은 데이터셋 이미지의 예와 이에 대응하는 인스턴스 세그멘테이션 마스크입니다:

• 모자이크 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지들로 구성된 학습 배치를 보여줍니다. 모자이킹은 학습 중에 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치 내의 객체와 장면의 다양성을 높이는 기법입니다. 이는 모델이 다양한 객체 크기, 가로세로 비율 및 문맥에 일반화할 수 있는 능력을 향상시킵니다.

이 예제는 COCO-Seg 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이킹을 사용함으로써 얻는 이점을 잘 보여줍니다.

Link to this section인용 및 감사의 글#

연구나 개발 작업에 COCO-Seg 데이터셋을 사용하는 경우, 원래 COCO 논문을 인용하고 COCO-Seg에 대한 확장을 명시해 주시기 바랍니다:

@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 자원을 생성하고 유지 관리해 준 COCO 컨소시엄에 감사드립니다. COCO 데이터셋과 제작자에 대한 자세한 정보는 COCO 데이터셋 웹사이트를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCOCO-Seg 데이터셋이란 무엇이며 원래 COCO 데이터셋과 어떻게 다른가요?#

COCO-Seg 데이터셋은 인스턴스 세그멘테이션 작업을 위해 특별히 설계된 원래 COCO(Common Objects in Context) 데이터셋의 확장판입니다. COCO 데이터셋과 동일한 이미지를 사용하지만, COCO-Seg는 더 상세한 세그멘테이션 주석을 포함하고 있어 객체 인스턴스 세그멘테이션에 집중하는 연구자와 개발자에게 강력한 리소스를 제공합니다.

Link to this sectionCOCO-Seg 데이터셋을 사용하여 YOLO26 모델을 어떻게 학습시킬 수 있나요?#

COCO-Seg 데이터셋에서 YOLO26n-seg 모델을 640 이미지 크기로 100 에포크 동안 학습시키려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인자에 대한 자세한 목록은 모델 학습 페이지를 참조하십시오.

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)

Link to this sectionCOCO-Seg 데이터셋의 주요 특징은 무엇인가요?#

COCO-Seg 데이터셋에는 다음과 같은 주요 특징이 있습니다:

• 원래 COCO 데이터셋의 33만 장 이미지를 유지합니다.
• 원래 COCO에서 찾을 수 있는 동일한 80개 객체 카테고리에 주석을 제공합니다.
• 각 객체에 대해 더 상세한 인스턴스 세그멘테이션 마스크를 제공합니다.
• Uses standardized evaluation metrics such as mean Average Precision (mAP) for object detection and mean Average Recall (mAR) for instance segmentation tasks.

Link to this sectionCOCO-Seg에 사용 가능한 사전 학습 모델은 무엇이며, 성능 지표는 어떻게 되나요?#

COCO-Seg 데이터셋은 다양한 성능 지표를 가진 여러 사전 학습 YOLO26 세그멘테이션 모델을 지원합니다. 사용 가능한 모델과 주요 지표 요약은 다음과 같습니다:

이 모델들은 경량화된 YOLO26n-seg부터 고성능의 YOLO26x-seg까지 다양하며, 다양한 애플리케이션 요구 사항에 맞게 속도와 정확도 간의 절충안을 제공합니다. 모델 선택에 대한 자세한 내용은 Ultralytics 모델 페이지를 참조하십시오.

Link to this sectionCOCO-Seg 데이터셋은 어떻게 구성되어 있으며 어떤 하위 집합을 포함하나요?#

COCO-Seg 데이터셋은 특정 학습 및 평가 요구를 위해 세 가지 하위 집합으로 구분됩니다:

1. Train2017: 주로 인스턴스 세그멘테이션 모델 학습에 사용되는 11만 8천 장의 이미지가 포함되어 있습니다.
2. Val2017: 학습 과정 중 검증에 활용되는 5천 장의 이미지로 구성됩니다.
3. Test2017: 학습된 모델을 테스트하고 벤치마킹하기 위해 예약된 2만 장의 이미지를 포함합니다. 이 서브셋에 대한 정답 주석은 공개되어 있지 않으며, 성능 결과는 평가를 위해 COCO evaluation server에 제출된다는 점을 유의하십시오.

소규모 실험을 위해서는 COCO train 2017 세트에서 단 8개의 이미지만 추출한 압축 버전인 COCO8-seg 데이터셋 사용을 고려해 볼 수도 있습니다.