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.
- Train2017: 이 하위 집합은 인스턴스 분할 모델 학습을 위한 118K개의 이미지를 포함합니다.
- Val2017: 이 하위 집합은 모델 훈련 중 검증 목적으로 사용되는 5K개의 이미지를 포함합니다.
- 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.
- 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.
- Train2017: 주로 인스턴스 분할 모델을 학습하는 데 사용되는 118K개의 이미지를 포함합니다.
- Val2017: 훈련 과정 중 검증에 활용되는 5K개의 이미지로 구성됩니다.
- 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.