Link to this sectionCOCO8-Seg 데이터셋#

Link to this section소개#

Ultralytics COCO8-Seg는 COCO train 2017 세트의 첫 8개 이미지(학습용 4개, 검증용 4개)로 구성된 작지만 다재다능한 인스턴스 세그멘테이션 데이터셋입니다. 이 데이터셋은 세그멘테이션 모델을 테스트 및 디버깅하거나 새로운 탐지 접근 방식을 실험하는 데 이상적입니다. 8개의 이미지만으로 구성되어 관리가 용이할 뿐만 아니라, 학습 파이프라인의 오류를 테스트하고 대규모 데이터셋 학습 전 무결성을 확인하는 용도로 충분히 다양합니다.

Link to this section데이터셋 구조#

• 이미지: 총 8개 (학습 4개 / 검증 4개).
• 클래스: 80개의 COCO 카테고리.
• 라벨: 각 이미지 파일과 일치하는 labels/{train,val} 아래에 저장된 YOLO 형식의 폴리곤.
• 다운로드 크기: 약 1 MB.

Ultralytics Platform의 COCO8-Seg을 탐색하여 모든 이미지와 폴리곤 마스크를 살펴보고, Charts 탭에서 클래스 분포 및 어노테이션 히트맵을 확인하며, 클라우드에서 모델을 직접 학습시키기 위해 복제해 보십시오.

Link to this section데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 이 파일에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. COCO8-Seg 데이터셋의 경우, coco8-seg.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml에 유지 관리되고 있습니다.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zip

Link to this section사용법#

COCO8-Seg 데이터셋에서 이미지 크기 640으로 100 에포크 동안 YOLO26n-seg 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 전체 인수 목록은 모델 학습 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="coco8-seg.yaml", epochs=100, imgsz=640)

Link to this section샘플 이미지 및 주석#

다음은 COCO8-Seg 데이터셋의 이미지와 해당 어노테이션의 예시입니다:

• 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 sectionCOCO8-Seg 데이터셋이란 무엇이며, Ultralytics YOLO26에서는 어떻게 사용됩니까?#

COCO8-Seg 데이터셋은 Ultralytics에서 제공하는 소규모 인스턴스 세그멘테이션 데이터셋으로, COCO train 2017 세트의 첫 8개 이미지(학습용 4개, 검증용 4개)로 구성되어 있습니다. 이 데이터셋은 세그멘테이션 모델을 테스트 및 디버깅하거나 새로운 탐지 방법을 실험하는 데 최적화되어 있습니다. 특히 Ultralytics YOLO26과 함께 사용하여 더 큰 데이터셋으로 확장하기 전 빠른 반복 작업 및 파이프라인 오류 점검을 수행하는 데 유용합니다. 자세한 사용법은 모델 학습 페이지를 참조하십시오.

Link to this sectionCOCO8-Seg 데이터셋을 사용하여 YOLO26n-seg 모델을 어떻게 학습할 수 있습니까?#

COCO8-Seg 데이터셋에서 이미지 크기 640으로 100 에포크 동안 YOLO26n-seg 모델을 학습하려면 Python 또는 CLI 명령어를 사용할 수 있습니다. 다음은 간단한 예시입니다:

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="coco8-seg.yaml", epochs=100, imgsz=640)

사용 가능한 인수 및 구성 옵션에 대한 자세한 설명은 학습 문서를 확인하십시오.

Link to this sectionCOCO8-Seg 데이터셋이 모델 개발 및 디버깅에 중요한 이유는 무엇입니까?#

다운로드 및 학습/검증 루프가 전체 COCO 데이터셋보다 훨씬 작기 때문에, COCO8-Seg를 사용하면 대규모 데이터셋에 착수하기 전에 파이프라인 오류(데이터 로더 손상, 손실 함수 설정 오류, 부적절한 증강 등)를 잡아내기 위한 학습 및 검증 과정을 빠르게 실행할 수 있습니다. 지원되는 데이터셋 형식에 대한 자세한 내용은 Ultralytics 세그멘테이션 데이터셋 가이드에서 확인하십시오.

Link to this sectionCOCO8-Seg 데이터셋의 YAML 구성 파일은 어디에서 찾을 수 있습니까?#

COCO8-Seg 데이터셋을 위한 YAML 구성 파일은 Ultralytics 저장소에서 확인할 수 있습니다. 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml에서 직접 액세스할 수 있습니다. YAML 파일에는 모델 학습 및 검증에 필요한 데이터셋 경로, 클래스 및 구성 설정에 대한 필수 정보가 포함되어 있습니다.

Link to this sectionCOCO8-Seg는 COCO128-Seg 및 전체 COCO-Seg 데이터셋과 비교하여 어떤 차이가 있습니까?#

COCO8-Seg(8개 이미지)는 규모 면에서 COCO128-Seg(128개 이미지) 및 전체 COCO-Seg 데이터셋(118,287개 학습 이미지)보다 작습니다:

• COCO8-Seg: 8개 이미지(학습 4개, 검증 4개) — 가장 빠른 상태 점검이 가능하며 CI 및 빠른 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.

가장 빠른 파이프라인 점검을 위해 COCO8-Seg를 사용한 다음, 확신이 생기면 COCO128-Seg 또는 전체 COCO-Seg 데이터셋으로 확장하십시오.