콘텐츠로 건너뛰기

COCO-Seg 데이터 세트

COCO(Common Objects in Context) 데이터 세트의 확장인 COCO-Seg 데이터 세트는 객체 인스턴스 분할 연구를 지원하기 위해 특별히 설계되었습니다. COCO와 동일한 이미지를 사용하지만 더 자세한 분할 주석을 도입했습니다. 이 데이터 세트는 특히 Ultralytics YOLO 모델을 훈련하기 위한 인스턴스 분할 작업을 수행하는 연구원과 개발자에게 중요한 리소스입니다.

COCO-Seg 사전 훈련된 모델

모델 크기
(픽셀)
mAPbox
50-95
mAPmask
50-95
속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(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 원래 330K 이미지를 유지합니다.
  • 이 데이터 세트는 원래 COCO 데이터 세트에서 찾을 수 있는 80개의 객체 범주와 동일한 범주로 구성됩니다.
  • 이제 어노테이션에는 이미지에 있는 각 객체에 대한 더 자세한 인스턴스 분할 마스크가 포함됩니다.
  • COCO-Seg는 객체 감지를 위한 평균 정밀도(mAP) 및 인스턴스 분할 작업을 위한 평균 재현율(mAR)과 같은 표준화된 평가 지표를 제공하여 모델 성능을 효과적으로 비교할 수 있습니다.

데이터 세트 구조

COCO-Seg 데이터 세트는 세 가지 하위 세트로 나뉩니다.

  1. Train2017: 이 하위 집합은 인스턴스 분할 모델 학습을 위한 118K개의 이미지를 포함합니다.
  2. Val2017: 이 하위 집합은 모델 훈련 중 검증 목적으로 사용되는 5K개의 이미지를 포함합니다.
  3. Test2017: 훈련된 모델을 테스트하고 벤치마킹하는 데 사용되는 20K 이미지를 포함합니다. 이 하위 세트에 대한 Ground Truth(정답) 어노테이션은 공개적으로 제공되지 않으며, 성능 평가는 COCO 평가 서버에 결과를 제출합니다.

응용 분야

COCO-Seg는 YOLO 모델과 같은 인스턴스 분할에서 딥러닝 모델을 훈련하고 평가하는 데 널리 사용됩니다. 많은 수의 주석이 달린 이미지, 다양한 객체 범주 및 표준화된 평가 지표는 컴퓨터 비전 연구원과 실무자에게 없어서는 안 될 리소스입니다.

데이터세트 YAML

YAML(Yet Another Markup Language) 파일은 데이터 세트 구성을 정의하는 데 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. COCO-Seg 데이터 세트의 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.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 크기를 640으로 설정하고 COCO-Seg 데이터 세트에서 YOLO11n-seg 모델을 100 epoch 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 전체 인수 목록은 모델 학습 페이지를 참조하십시오.

훈련 예제

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 있는 다양한 이미지 세트를 포함합니다. 그러나 COCO-Seg는 이미지의 각 객체에 대해 더 자세한 인스턴스 분할 마스크를 도입합니다. 다음은 해당 인스턴스 분할 마스크와 함께 데이터 세트의 이미지 예입니다.

데이터 세트 샘플 이미지

  • 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 예는 COCO-Seg 데이터 세트의 이미지의 다양성과 복잡성, 그리고 훈련 과정에서 모자이크를 사용하는 이점을 보여줍니다.

인용 및 감사의 말씀

COCO-Seg 데이터 세트를 연구 또는 개발 작업에 사용하는 경우 원래 COCO 논문을 인용하고 COCO-Seg로의 확장을 인정하십시오.

@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 매우 귀중한 리소스를 만들고 유지 관리해 주신 COCO 컨소시엄에 감사를 드립니다. COCO 데이터 세트 및 제작자에 대한 자세한 내용은 COCO 데이터 세트 웹사이트를 방문하십시오.

FAQ

COCO-Seg 데이터 세트는 무엇이며, 원래 COCO 데이터 세트와 어떻게 다릅니까?

COCO-Seg 데이터 세트는 원래 COCO(Common Objects in Context) 데이터 세트의 확장으로, 특히 인스턴스 분할 작업을 위해 설계되었습니다. COCO 데이터 세트와 동일한 이미지를 사용하지만 COCO-Seg는 더 자세한 분할 주석을 포함하여 객체 인스턴스 분할에 중점을 둔 연구원과 개발자에게 강력한 리소스를 제공합니다.

COCO-Seg 데이터 세트를 사용하여 YOLO11 모델을 어떻게 훈련할 수 있습니까?

이미지 크기를 640으로 설정하고 COCO-Seg 데이터 세트에서 YOLO11n-seg 모델을 100 epoch 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수 목록은 모델 학습 페이지를 참조하십시오.

훈련 예제

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 기능은 무엇인가요?

COCO-Seg 데이터 세트에는 다음과 같은 몇 가지 주요 기능이 포함되어 있습니다.

  • COCO 데이터 세트의 원래 330K 이미지를 유지합니다.
  • 원본 COCO에서 찾은 80개의 객체 범주와 동일한 범주에 어노테이션을 추가합니다.
  • 각 객체에 대해 더 자세한 인스턴스 분할 마스크를 제공합니다.
  • 객체 감지의 경우 평균 Average Precision(mAP), 인스턴스 분할 작업의 경우 평균 Average Recall(mAR)과 같은 표준화된 평가 지표를 사용합니다.

COCO-Seg에 사용할 수 있는 사전 훈련된 모델은 무엇이며, 성능 지표는 무엇입니까?

COCO-Seg 데이터 세트는 다양한 성능 지표를 가진 여러 사전 훈련된 YOLO11 분할 모델을 지원합니다. 사용 가능한 모델과 주요 지표에 대한 요약은 다음과 같습니다.

모델 크기
(픽셀)
mAPbox
50-95
mAPmask
50-95
속도
CPU ONNX
(ms)
속도
T4 TensorRT10
(ms)
파라미터
(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

이러한 모델은 경량 YOLO11n-seg부터 더 강력한 YOLO11x-seg까지 다양하며 다양한 애플리케이션 요구 사항에 맞게 속도와 정확도 간의 다양한 균형을 제공합니다. 모델 선택에 대한 자세한 내용은 Ultralytics 모델 페이지를 참조하십시오.

COCO-Seg 데이터 세트는 어떻게 구성되어 있으며 어떤 하위 세트를 포함하고 있습니까?

COCO-Seg 데이터 세트는 특정 훈련 및 평가 요구 사항을 위해 세 가지 하위 세트로 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 20K 이미지를 포함합니다. 이 하위 세트에 대한 Ground Truth(정답) 어노테이션은 공개적으로 제공되지 않으며, 성능 결과는 평가를 위해 COCO 평가 서버에 제출됩니다.

더 작은 실험 요구 사항의 경우 COCO train 2017 세트에서 8개의 이미지만 포함하는 압축 버전인 COCO8-seg 데이터 세트를 사용하는 것을 고려할 수도 있습니다.



📅 1년 전에 생성됨 ✏️ 5개월 전에 업데이트됨

댓글