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 128장, 학습(train) 및 검증(val) 세트가 동일하게 분할됨 (아래 참고 사항 참조).
• 클래스: COCO와 동일한 80개의 객체 카테고리.
• 라벨: 공유 학습 및 검증 이미지 디렉터리에 대해 labels/train2017에 저장된 YOLO 형식의 다각형(polygon) 데이터.
• 다운로드 크기: 약 7 MB.

이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 의도되었습니다.

Link to this section데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 이 파일에는 데이터셋의 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 관리되고 있습니다.

# 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.zip

Link 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.

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?#

다운로드 및 학습/검증 루프가 전체 COCO보다 훨씬 작기 때문에 COCO128-Seg를 사용하면 전체 COCO-Seg 데이터셋으로 확장하기 전에 새로운 파이프라인에서 1-에폭(epoch) 단위의 정상성 점검(sanity check)을 실행하여 모델이 올바르게 학습, 검증되고 체크포인트가 저장되는지 확인할 수 있습니다. 지원되는 데이터셋 형식에 대한 자세한 내용은 Ultralytics 세그멘테이션 데이터셋 가이드를 참조하십시오.

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-Seg는 COCO8-Seg 및 전체 COCO-Seg 데이터셋과 어떻게 비교됩니까?#

COCO128-Seg(128장 이미지)는 크기 면에서 COCO8-Seg(8장 이미지)와 전체 COCO-Seg 데이터셋(118,287장 학습 이미지) 사이에 위치합니다:

• COCO8-Seg: 8장 이미지(학습 4장, 검증 4장) — 빠른 정상성 점검 및 디버깅에 이상적입니다.
• COCO128-Seg: 128개 이미지 — 크기와 다양성 간의 균형을 유지하며, 학습과 검증 데이터가 동일한 디렉토리를 공유합니다.
• 전체 COCO-Seg: 118,287개 학습 이미지 — 포괄적이지만 자원 집약적이며, 최초 다운로드 시 약 27GB의 용량이 필요합니다.

COCO128-Seg는 COCO8-Seg보다 더 높은 다양성을 제공하면서도, 실험 및 초기 모델 개발을 위해 전체 COCO-Seg 데이터셋보다 훨씬 관리하기 쉽습니다.