Link to this sectionCOCO128-Seg 데이터셋#
Link to this section소개#
Ultralytics COCO128-Seg는 COCO train 2017 세트의 처음 128개 이미지로 구성된 작지만 다재다능한 instance segmentation 데이터셋입니다. 이 데이터셋은 세그멘테이션 모델을 테스트 및 디버깅하거나 새로운 탐지 접근 방식을 실험하는 데 이상적입니다. 128개의 이미지는 관리가 용이할 만큼 작으면서도, 더 큰 데이터셋으로 학습을 확장하기 전에 학습 파이프라인의 오류를 테스트하고 정상 작동 여부를 확인하는 데 충분히 다양합니다.
Link to this section데이터셋 구조#
- 이미지: 총 128개. 기본 YAML은 학습 및 검증에 동일한 디렉토리를 재사용하므로 빠르게 반복할 수 있지만, 원하는 경우 분할을 복제하거나 사용자 정의할 수 있습니다.
- 클래스: COCO와 동일한 80개의 객체 카테고리.
- 라벨:
labels/{train,val}내의 각 이미지 옆에 저장된 YOLO 형식의 폴리곤.
이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 의도되었습니다.
Link to this section데이터셋 YAML#
YAML (Yet Another Markup Language) 파일은 데이터셋 설정을 정의하는 데 사용됩니다. 이 파일에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. COCO128-Seg 데이터셋의 경우 coco128-seg.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml에 유지 관리됩니다.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco128-seg
# Example usage: yolo train data=coco128-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128-seg ← downloads here (7 MB)
# 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128-seg.zipLink to this section사용법#
COCO128-Seg 데이터셋에서 이미지 크기 640으로 100 epochs 동안 YOLO26n-seg 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수에 대한 전체 목록은 모델 Training 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="coco128-seg.yaml", epochs=100, imgsz=640)Link to this section샘플 이미지 및 주석#
다음은 COCO128-Seg 데이터셋의 이미지 예시와 그에 해당하는 주석입니다:
- 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이킹은 학습 중에 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치 내의 객체와 장면의 다양성을 높이는 데 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 맥락에 일반화할 수 있는 능력을 향상시키는 데 도움이 됩니다.
이 예시는 COCO128-Seg 데이터셋에 포함된 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이킹(mosaicing)을 사용할 때의 이점을 보여줍니다.
Link to this section인용 및 감사의 글#
연구나 개발 작업에서 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:
@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 주는 COCO 컨소시엄에 감사드립니다. COCO 데이터셋과 제작자에 대한 자세한 내용은 COCO 데이터셋 웹사이트를 방문하십시오.
Link to this sectionFAQ#
Link to this sectionCOCO128-Seg 데이터셋이란 무엇이며 Ultralytics YOLO26에서 어떻게 사용됩니까?#
COCO128-Seg 데이터셋은 Ultralytics에서 제공하는 소형 인스턴스 세그멘테이션 데이터셋으로, COCO train 2017 세트의 처음 128개 이미지로 구성됩니다. 이 데이터셋은 세그멘테이션 모델을 테스트 및 디버깅하거나 새로운 탐지 방법을 실험하는 데 최적화되어 있습니다. 특히 Ultralytics YOLO26 및 Platform과 함께 사용하여 더 큰 데이터셋으로 확장하기 전 빠른 반복 및 파이프라인 오류 확인에 유용합니다. 자세한 사용법은 모델 Training 페이지를 참조하십시오.
Link to this sectionCOCO128-Seg 데이터셋을 사용하여 어떻게 YOLO26n-seg 모델을 학습할 수 있습니까?#
COCO128-Seg 데이터셋에서 이미지 크기 640으로 100 epochs 동안 YOLO26n-seg 모델을 학습하려면 Python 또는 CLI 명령을 사용할 수 있습니다. 빠른 예시는 다음과 같습니다:
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="coco128-seg.yaml", epochs=100, imgsz=640)사용 가능한 인수 및 구성 옵션에 대한 자세한 설명은 학습 문서를 확인하십시오.
Link to this sectionCOCO128-Seg 데이터셋이 모델 개발 및 디버깅에 중요한 이유는 무엇입니까?#
COCO128-Seg 데이터셋은 128개의 이미지로 구성되어 관리 용이성과 다양성의 균형을 갖추고 있어, 세그멘테이션 모델을 빠르게 테스트 및 디버깅하거나 새로운 탐지 기법을 실험하는 데 최적입니다. 적절한 크기 덕분에 빠른 학습 반복이 가능하며, 더 큰 데이터셋으로 확장하기 전에 학습 파이프라인을 검증할 수 있는 충분한 다양성을 제공합니다. 지원되는 데이터셋 형식에 대한 자세한 내용은 Ultralytics 세그멘테이션 데이터셋 가이드에서 확인하시기 바랍니다.
Link to this sectionCOCO128-Seg 데이터셋을 위한 YAML 설정 파일은 어디에서 찾을 수 있습니까?#
COCO128-Seg 데이터셋을 위한 YAML 설정 파일은 Ultralytics 저장소에서 확인할 수 있습니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml에서 직접 파일에 액세스할 수 있습니다. YAML 파일에는 모델 학습 및 검증에 필요한 데이터셋 경로, 클래스, 설정 등 필수 정보가 포함되어 있습니다.
Link to this sectionCOCO128-Seg 데이터셋으로 학습할 때 모자이킹(mosaicing)을 사용하면 어떤 이점이 있습니까?#
학습 중에 mosaicing을 사용하면 각 학습 배치에서 객체와 장면의 다양성을 높이는 데 도움이 됩니다. 이 기술은 여러 이미지를 하나의 합성 이미지로 결합하여, 장면 내 다양한 객체 크기, 가로세로 비율, 컨텍스트에 일반화하는 모델의 능력을 향상시킵니다. 모자이킹은 특히 COCO128-Seg와 같이 중간 크기의 데이터셋으로 작업할 때 모델의 견고성과 accuracy를 향상시키는 데 유용합니다. 모자이킹된 이미지 예시는 Sample Images and Annotations 섹션을 참조하십시오.