COCO-Seg 데이터 세트

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

COCO-Seg 사전 학습 모델

모델	크기 ^(픽셀)	mAPbox^50-95	mAPmask^50-95	속도 ^{CPU ONNX (ms)}	속도 A100^{TensorRT (ms)}	매개변수 ^(M)	FLOPs ^(B)
YOLOv8n-seg	640	36.7	30.5	96.1	1.21	3.4	12.6
YOLOv8s-seg	640	44.6	36.8	155.7	1.47	11.8	42.6
YOLOv8m-seg	640	49.9	40.8	317.0	2.18	27.3	110.2
YOLOv8l-seg	640	52.3	42.6	572.4	2.79	46.0	220.5
YOLOv8x-seg	640	53.4	43.4	712.1	4.02	71.8	344.1

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 검증 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 딥 러닝 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 YOLO 🚀, AGPL-3.0 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 ultralytics.utils.downloads import download
  from pathlib import Path

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml['path'])  # dataset root dir
  url = 'https://github.com/ultralytics/yolov5/releases/download/v1.0/'
  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 YOLOv8n-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('yolov8n-seg.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='coco-seg.yaml', epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco-seg.yaml model=yolov8n.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 내에서 다양한 개체와 장면을 늘리는 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 학습 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.

생성 2023-11-12, 업데이트 2024-04-17
작성자: glenn-jocher (4), RizwanMunawar (1), Laughing-q (1)