Ultralytics YOLO27:
Get Started
CC BY 4.0

COCO8-Seg 데이터셋#

소개#

Ultralytics COCO8-Seg는 COCO train 2017 세트에서 처음 8개 이미지(학습용 4개, 검증용 4개)로 구성된 작지만 다용도로 활용할 수 있는 인스턴스 세그멘테이션 데이터셋입니다. 이 데이터셋은 세그멘테이션 모델을 테스트하고 디버깅하거나 새로운 세그멘테이션 접근 방식을 실험하는 데 적합합니다. 이미지가 8개뿐이어서 관리하기 쉽고, 학습 파이프라인의 오류를 테스트하고 더 큰 데이터셋으로 학습하기 전에 기본 동작을 점검할 만큼 충분한 다양성을 갖췄습니다.

데이터셋 구조#

  • 이미지: 총 8개(학습 4개 / 검증 4개)입니다.
  • 클래스: COCO 카테고리 80개입니다.
  • 레이블: 각 이미지 파일에 대응하는 YOLO 형식 다각형이 labels/{train,val}에 저장됩니다.
  • 다운로드 크기: ~1 MB입니다.

Ultralytics Platform의 COCO8-Seg를 살펴보고 다각형 마스크가 포함된 모든 이미지를 확인하고, Charts 탭에서 클래스 분포와 어노테이션 히트맵을 살펴보고, 클라우드에서 자체 모델을 학습하도록 데이터셋을 복제하세요.

데이터셋 YAML#

데이터셋 구성을 정의하는 데 YAML 파일을 사용합니다. YAML 파일에는 데이터셋 경로, 클래스 및 기타 관련 정보가 포함됩니다. COCO8-Seg 데이터셋의 경우 coco8-seg.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml에 유지 관리됩니다.

ultralytics/cfg/datasets/coco8-seg.yaml
# 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

사용법#

이미지 크기 640으로 COCO8-Seg 데이터셋에서 YOLO26n-seg 모델을 100 에폭 동안 학습하려면 다음 코드 예제를 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.

학습 예제
from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-seg.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 모델 학습
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

샘플 이미지 및 어노테이션#

다음은 COCO8-Seg 데이터셋의 이미지와 각 이미지에 대응하는 어노테이션의 예입니다:

COCO8-seg instance segmentation dataset mosaic
  • 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:

인용
@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#

  • COCO8-Seg 데이터셋은 Ultralytics에서 제공하는 소형 인스턴스 세그멘테이션 데이터셋으로, COCO train 2017 세트에서 처음 8개 이미지(학습용 4개, 검증용 4개)로 구성됩니다. 이 데이터셋은 세그멘테이션 모델을 테스트하고 디버깅하거나 새로운 세그멘테이션 방법을 실험하는 데 적합합니다. 특히 Ultralytics YOLO26과 함께 사용하면 대규모 데이터셋으로 확장하기 전에 빠르게 반복하고 파이프라인 오류를 점검하는 데 유용합니다. 자세한 사용 방법은 모델 학습 페이지를 참조하세요.

  • COCO8-Seg 데이터셋에서 YOLO26n-seg 모델을 이미지 크기 640으로 100 에폭 동안 학습하려면 Python 또는 CLI 명령을 사용할 수 있습니다. 간단한 예는 다음과 같습니다:

    학습 예제
    from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n-seg.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 모델 학습
results = model.train(data="coco8-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, COCO8-Seg를 사용하면 더 큰 데이터셋에 착수하기 전에 학습 및 검증을 한 차례 실행해 데이터 로더 오류, 잘못 구성된 손실 함수, 잘못된 증강 등의 파이프라인 문제를 발견할 수 있습니다. 지원되는 데이터셋 형식에 관한 자세한 내용은 Ultralytics 세그멘테이션 데이터셋 가이드를 참조하세요.

  • COCO8-Seg 데이터셋의 YAML 구성 파일은 Ultralytics 저장소에서 확인할 수 있습니다. 파일에 직접 액세스하려면 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml를 방문하세요. YAML 파일에는 모델 학습 및 검증에 필요한 데이터셋 경로, 클래스 및 구성 설정에 관한 필수 정보가 포함되어 있습니다.

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

    • COCO8-Seg: 이미지 8개(학습 4개, 검증 4개) — 가장 빠르게 기본 동작을 점검할 수 있어 CI 및 신속한 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.

    가능한 한 빠르게 파이프라인을 점검하려면 COCO8-Seg를 사용한 다음, 확신이 쌓이면 COCO128-Seg 또는 전체 COCO-Seg 데이터셋으로 확장하세요.

기여자
GLglenn-jocher19RAraimbekovm4JKjk4e2PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

댓글