YOLO Vision 2026:
CC BY 4.0

COCO8-Seg 데이터셋#

소개#

Ultralytics COCO8-Seg는 COCO train 2017 세트의 처음 8개 이미지(학습용 4개, 검증용 4개)로 구성된 작지만 다기능인 instance segmentation 데이터셋입니다. 이 데이터셋은 세그멘테이션 모델을 테스트 및 디버깅하거나 새로운 탐지 접근법을 실험하는 데 이상적입니다. 8개의 이미지로 구성되어 쉽게 관리할 수 있을 만큼 작으면서도, 더 큰 데이터셋을 학습하기 전에 학습 파이프라인의 오류를 테스트하고 건전성 검사(sanity check) 역할을 하기에 충분히 다양한 특성을 갖추고 있습니다.

데이터셋 구조#

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

COCO8-Seg on Ultralytics Platform을 탐색하여 폴리곤 마스크가 포함된 모든 이미지를 찾아보고, Charts 탭에서 클래스 분포 및 어노테이션 히트맵을 확인하고, 클라우드에서 나만의 모델을 학습하기 위해 복제할 수 있습니다.

데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 이 파일에는 데이터셋 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 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 크기를 640으로 설정하고 100 epochs 동안 COCO8-Seg 데이터셋에서 YOLO26n-seg 모델을 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 Training 페이지를 참조하십시오.

훈련 예제
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)

샘플 이미지 및 주석#

다음은 COCO8-Seg 데이터셋의 이미지와 해당 어노테이션의 예시입니다:

COCO8-seg instance segmentation dataset mosaic
  • 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.

인용 및 감사의 글#

연구나 개발 작업에서 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

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}
}

computer vision 커뮤니티를 위해 이 가치 있는 리소스를 만들고 유지 관리해 준 COCO 컨소시엄에 감사를 표합니다. COCO 데이터셋 및 제작자에 대한 자세한 내용은 COCO dataset website를 방문하십시오.

FAQ#

  • COCO8-Seg dataset은 Ultralytics의 소형 인스턴스 세그멘테이션 데이터셋으로, COCO train 2017 세트의 처음 8개 이미지(학습용 4개, 검증용 4개)로 구성됩니다. 이 데이터셋은 세그멘테이션 모델 테스트 및 디버깅 또는 새로운 탐지 방식 실험에 최적화되어 있습니다. 더 큰 데이터셋으로 확장하기 전 빠른 반복과 파이프라인 오류 검증을 위해 Ultralytics YOLO26과 함께 사용할 때 특히 유용합니다. 자세한 사용법은 모델 Training 페이지를 참조하십시오.

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

    훈련 예제
    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 인수와 구성 옵션에 대한 자세한 설명은 Training 문서를 확인하십시오.

  • 다운로드 및 학습/검증 루프가 전체 COCO보다 훨씬 작기 때문에 COCO8-Seg를 사용하면 더 큰 데이터셋에 커밋하기 전에 손상된 데이터 로더, 잘못 설정된 손실 함수 또는 잘못된 augmentation 같은 파이프라인 오류를 잡기 위한 학습 및 검증 패스를 실행할 수 있습니다. 지원되는 데이터셋 형식에 대한 자세한 내용은 Ultralytics segmentation dataset guide에서 확인하십시오.

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

  • COCO8-Seg(8개 이미지)는 크기 면에서 COCO128-Seg(128개 이미지) 및 전체 COCO-Seg 데이터셋(118,287개의 학습 이미지) 아래에 위치합니다.

    • 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.

기여자
GLglenn-jocher17RAraimbekovm4JKjk4e2PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

댓글