COCO8-Seg 데이터세트

소개

Ultralytics COCO8-Seg는 COCO train 2017 세트의 처음 8개 이미지(학습용 4개, 유효성 검사용 4개)로 구성된 작지만 다재다능한 인스턴스 분할 데이터 세트입니다. 이 데이터 세트는 분할 모델을 테스트하고 디버깅하거나 새로운 감지 접근 방식을 실험하는 데 이상적입니다. 8개의 이미지만으로 쉽게 관리할 수 있을 만큼 작지만 오류에 대한 학습 파이프라인을 테스트하고 더 큰 데이터 세트를 학습하기 전에 건전성 검사 역할을 할 수 있을 만큼 다양합니다.

이 데이터 세트는 Ultralytics HUB 및 YOLO11과 함께 사용하기 위한 것입니다.

데이터세트 YAML

YAML(Yet Another Markup Language) 파일은 데이터 세트 구성을 정의하는 데 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. COCO8-Seg 데이터 세트의 경우, coco8-seg.yaml 파일은 다음 위치에서 관리됩니다. https://github.com/ultralytics/ultralytics/blob/main/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 크기를 640으로 설정하고 COCO8-Seg 데이터 세트에서 YOLO11n-seg 모델을 100 epoch 동안 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("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

샘플 이미지 및 주석

다음은 COCO8-Seg 데이터 세트의 이미지와 해당 어노테이션의 예입니다.

• 모자이크 이미지: 이 이미지는 모자이크 데이터 세트 이미지로 구성된 훈련 배치를 보여줍니다. 모자이킹은 각 훈련 배치 내에서 객체와 장면의 다양성을 높이기 위해 여러 이미지를 단일 이미지로 결합하는 훈련 중 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 컨텍스트로 일반화하는 능력을 향상시키는 데 도움이 됩니다.

이 예는 COCO8-Seg 데이터 세트의 이미지의 다양성과 복잡성, 그리고 훈련 과정에서 모자이크를 사용하는 이점을 보여줍니다.

인용 및 감사의 말씀

연구 또는 개발 작업에서 COCO 데이터 세트를 사용하는 경우 다음 논문을 인용하십시오.

@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}
}

저희는 컴퓨터 비전 커뮤니티를 위해 이 귀중한 리소스를 만들고 유지 관리하는 COCO 컨소시엄에 감사를 표합니다. COCO 데이터 세트와 제작자에 대한 자세한 내용은 COCO 데이터 세트 웹사이트를 방문하세요.

FAQ

COCO8-Seg 데이터 세트는 무엇이며, Ultralytics YOLO11에서 어떻게 사용됩니까?

COCO8-Seg 데이터 세트는 Ultralytics의 컴팩트한 인스턴스 분할 데이터 세트로, COCO train 2017 세트의 처음 8개 이미지(훈련용 4개 이미지, 유효성 검사용 4개 이미지)로 구성됩니다. 이 데이터 세트는 분할 모델을 테스트하고 디버깅하거나 새로운 감지 방법을 실험하는 데 적합합니다. 더 큰 데이터 세트로 확장하기 전에 Ultralytics YOLO11 및 HUB와 함께 빠른 반복 및 파이프라인 오류 검사에 특히 유용합니다. 자세한 사용법은 모델 훈련 페이지를 참조하세요.

COCO8-Seg 데이터 세트를 사용하여 YOLO11n-seg 모델을 어떻게 훈련할 수 있습니까?

640 이미지 크기로 COCO8-Seg 데이터 세트에서 YOLO11n-seg 모델을 100 epoch 동안 학습하려면 python 또는 CLI 명령을 사용할 수 있습니다. 다음은 간단한 예입니다.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # Load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

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

COCO8-Seg 데이터 세트가 모델 개발 및 디버깅에 중요한 이유는 무엇인가요?

COCO8-Seg 데이터 세트는 작지만 다양한 8개의 이미지 세트를 제공하여 분할 모델을 빠르게 테스트하고 디버깅하거나 새로운 감지 기술을 실험하는 데 적합합니다. 작은 크기로 인해 빠른 건전성 검사와 초기 파이프라인 유효성 검사가 가능하여 더 큰 데이터 세트로 확장하기 전에 문제를 식별하는 데 도움이 됩니다. 지원되는 데이터 세트 형식에 대한 자세한 내용은 Ultralytics 분할 데이터 세트 가이드를 참조하십시오.

COCO8-Seg 데이터 세트에 대한 YAML 구성 파일은 어디에서 찾을 수 있습니까?

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

COCO8-Seg 데이터 세트로 학습하는 동안 모자이킹을 사용하면 어떤 이점이 있습니까?

학습 중 모자이킹을 사용하면 각 학습 배치에서 객체와 장면의 다양성을 높이는 데 도움이 됩니다. 이 기술은 여러 이미지를 하나의 합성 이미지로 결합하여 모델이 장면 내에서 다양한 객체 크기, 종횡비 및 컨텍스트에 일반화하는 능력을 향상시킵니다. 모자이킹은 특히 COCO8-Seg와 같은 작은 데이터 세트로 작업할 때 모델의 견고성과 정확성을 향상시키는 데 유용합니다. 모자이크 이미지의 예는 샘플 이미지 및 주석 섹션을 참조하십시오.

📅 1년 전에 생성됨 ✏️ 4개월 전에 업데이트됨

댓글