COCO128-Seg 데이터셋#
소개#
Ultralytics COCO128-Seg는 COCO train 2017 세트에서 처음 128개 이미지로 구성된 작지만 다용도로 활용할 수 있는 인스턴스 세그멘테이션 데이터셋입니다. 이 데이터셋은 세그멘테이션 모델을 테스트하고 디버깅하거나 새로운 세그멘테이션 접근 방식을 실험하는 데 적합합니다. 이미지가 128개로 관리하기 쉬우면서도 학습 파이프라인의 오류를 테스트하고 더 큰 데이터셋으로 학습하기 전에 기본 동작을 점검할 만큼 충분한 다양성을 갖췄습니다.
데이터셋 구조#
- 이미지: 총 128개이며, 아래 참고 사항과 같이 학습 및 검증이 동일하게 분할됩니다.
- 클래스: COCO와 동일한 80개 객체 카테고리입니다.
- 레이블: 공유 학습 및 검증 이미지 디렉터리에 해당하는 YOLO 형식 다각형이
labels/train2017에 저장됩니다. - 다운로드 크기: ~7 MB입니다.
기본 YAML은 학습과 검증이 동일한 이미지 128개를 가리키므로, 검증 지표는 보류 데이터에 대한 일반화 성능이 아니라 학습 세트에 대한 적합도를 측정합니다. 실제 보류 세트가 필요한 경우 분할을 복제하거나 사용자 지정하세요.
이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 설계되었습니다.
데이터셋 YAML#
데이터셋 구성을 정의하는 데 YAML 파일을 사용합니다. YAML 파일에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함됩니다. 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.zip사용법#
이미지 크기 640으로 COCO128-Seg 데이터셋에서 YOLO26n-seg 모델을 100 에폭 동안 학습하려면 다음 코드 예제를 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.
from ultralytics import YOLO
# 모델 로드
model = YOLO("yolo26n-seg.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장).
# 모델 학습
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)샘플 이미지 및 어노테이션#
다음은 COCO128-Seg 데이터셋의 이미지와 각 이미지에 대응하는 어노테이션의 예입니다:
- 모자이크 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합해 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이 기법은 모델이 다양한 객체 크기, 종횡비 및 맥락에 일반화하는 능력을 향상하는 데 도움이 됩니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:
@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 이 귀중한 리소스를 만들고 유지 관리해 주신 COCO Consortium에 감사드립니다. COCO 데이터셋과 제작자에 대한 자세한 내용은 COCO 데이터셋 웹사이트를 방문하세요.
자주 묻는 질문#
COCO128-Seg 데이터셋에서 YOLO26n-seg 모델을 이미지 크기 640으로 100 에폭 동안 학습하려면 Python 또는 CLI 명령을 사용할 수 있습니다. 간단한 예는 다음과 같습니다:
학습 예제from ultralytics import YOLO # 모델 로드 model = YOLO("yolo26n-seg.pt") # 사전 학습된 모델을 불러옵니다(학습에 권장). # 모델 학습 results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)사용 가능한 인수와 구성 옵션에 대한 자세한 설명은 학습 문서에서 확인할 수 있습니다.
전체 COCO보다 다운로드 용량이 작고 학습/검증 루프가 훨씬 짧기 때문에, COCO128-Seg를 사용하면 전체 COCO-Seg 데이터셋으로 확장하기 전에 새 파이프라인에서 1에폭 기본 동작 점검을 수행해 모델 학습 및 검증이 제대로 이루어지고 체크포인트가 올바르게 저장되는지 확인할 수 있습니다. 지원되는 데이터셋 형식에 관한 자세한 내용은 Ultralytics 세그멘테이션 데이터셋 가이드를 참조하세요.
COCO128-Seg 데이터셋의 YAML 구성 파일은 Ultralytics 저장소에서 확인할 수 있습니다. 파일에 직접 액세스하려면 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml를 방문하세요. YAML 파일에는 모델 학습 및 검증에 필요한 데이터셋 경로, 클래스 및 구성 설정에 관한 필수 정보가 포함되어 있습니다.
규모 면에서 COCO128-Seg(이미지 128개)는 COCO8-Seg(이미지 8개)와 전체 COCO-Seg 데이터셋(학습 이미지 118,287개) 사이에 있습니다:
- COCO8-Seg: 이미지 8개(학습 4개, 검증 4개) — 빠른 기본 동작 점검과 디버깅에 적합합니다.
- COCO128-Seg: 이미지 128개 — 크기와 다양성이 균형을 이루며, 학습과 검증에서 동일한 디렉터리를 공유합니다.
- 전체 COCO-Seg: 학습 이미지 118,287개 — 포괄적인 데이터셋이지만 리소스가 많이 필요하며, 최초 다운로드 시 ~20 GB가 필요합니다.
COCO128-Seg는 COCO8-Seg보다 더 다양한 데이터를 제공하면서도, 실험과 초기 모델 개발에 전체 COCO-Seg 데이터셋보다 훨씬 관리하기 쉽습니다.