COCO8-Seg 데이터 세트

소개

Ultralytics COCO8-Seg는 작지만 다용도로 사용할 수 있는 인스턴스 분할 데이터 세트로, COCO train 2017 세트의 첫 8개 이미지 중 훈련용 4개와 검증용 4개로 구성되어 있습니다. 이 데이터 세트는 세분화 모델을 테스트하고 디버깅하거나 새로운 탐지 접근 방식을 실험하는 데 이상적입니다. 8개 이미지로 구성되어 있어 쉽게 관리할 수 있을 만큼 작지만, 훈련 파이프라인의 오류를 테스트하고 더 큰 데이터 세트를 훈련하기 전에 건전성 검사 역할을 할 수 있을 만큼 다양합니다.

이 데이터 세트는 Ultralytics HUB 및 YOLO11.

데이터 세트 YAML

데이터 세트 구성을 정의하는 데는 YAML(또 다른 마크업 언어) 파일이 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 정보가 포함되어 있습니다. COCO8-Seg 데이터 세트의 경우, 데이터 세트의 coco8-seg.yaml 파일은 다음 위치에서 유지됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 크기가 640인 COCO8-Seg 데이터 세트에 대해 100개의 에포크에 대해 YOLO11n-seg 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.

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 주석의 몇 가지 예시입니다:

• 모자이크 이미지: 이 이미지는 모자이크된 데이터 세트 이미지로 구성된 훈련 배치의 예시입니다. 모자이크는 여러 이미지를 하나의 이미지로 결합하여 각 훈련 배치 내에서 다양한 개체와 장면을 늘리기 위해 훈련 중에 사용되는 기술입니다. 이를 통해 다양한 객체 크기, 종횡비 및 컨텍스트에 일반화하는 모델의 능력을 향상시킬 수 있습니다.

이 예는 COCO8-Seg 데이터 세트에 포함된 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이크 사용의 이점을 보여줍니다.

인용 및 감사

연구 또는 개발 작업에 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

@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 주신 COCO 컨소시엄에 감사의 말씀을 드립니다. COCO 데이터 세트 및 제작자에 대한 자세한 내용은 COCO 데이터 세트 웹사이트를 참조하세요.

자주 묻는 질문

COCO8-Seg 데이터 세트는 무엇이며 Ultralytics YOLO11 에서 어떻게 사용되나요?

COCO8-Seg 데이터 세트 는 Ultralytics 의 컴팩트 인스턴스 분할 데이터 세트로, COCO train 2017 세트의 첫 8개 이미지(훈련용 이미지 4개와 검증용 이미지 4개)로 구성되어 있습니다. 이 데이터 세트는 세분화 모델을 테스트 및 디버깅하거나 새로운 탐지 방법을 실험하는 데 적합합니다. 특히 다음과 같은 경우에 유용합니다. Ultralytics YOLO11 와 함께 사용하면 더 큰 데이터 세트로 확장하기 전에 빠른 반복과 파이프라인 오류 확인을 할 수 있습니다. 자세한 사용법은 모델 훈련 페이지를 참조하세요.

COCO8-Seg 데이터 세트를 사용하여 YOLO11n-seg 모델을 훈련하려면 어떻게 해야 하나요?

이미지 크기가 640인 COCO8-Seg 데이터 세트에 대해 100개 에포크에 대해 YOLO11n-seg 모델을 훈련하려면 Python 또는 CLI 명령을 사용할 수 있습니다. 다음은 간단한 예제입니다:

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 교육 문서를 참조하세요.

COCO8-Seg 데이터 세트가 모델 개발과 디버깅에 중요한 이유는 무엇인가요?

COCO8-Seg 데이터 세트는 작은 크기에서 관리성과 다양성을 제공하는 데 이상적입니다. 단 8개의 이미지로 구성되어 있어 대규모 데이터 세트의 오버헤드 없이 세분화 모델이나 새로운 탐지 접근법을 빠르게 테스트하고 디버깅할 수 있습니다. 따라서 대규모 데이터 세트에 대한 광범위한 학습을 진행하기 전에 건전성 검사 및 파이프라인 오류 식별을 위한 효율적인 도구로 사용할 수 있습니다. 여기에서 데이터 세트 형식에 대해 자세히 알아보세요.

COCO8-Seg 데이터 세트의 YAML 구성 파일은 어디에서 찾을 수 있나요?

COCO8-Seg 데이터 세트에 대한 YAML 구성 파일은 Ultralytics 리포지토리에서 확인할 수 있습니다. 여기에서 직접 파일에 액세스할 수 있습니다. YAML 파일에는 모델 학습 및 유효성 검사에 필요한 데이터 세트 경로, 클래스 및 구성 설정에 대한 필수 정보가 포함되어 있습니다.

COCO8-Seg 데이터 세트로 훈련할 때 모자이킹을 사용하면 어떤 이점이 있나요?

훈련 중에 모자이킹을 사용하면 각 훈련 배치에서 개체와 장면의 다양성과 다양성을 높이는 데 도움이 됩니다. 이 기술은 여러 이미지를 하나의 합성 이미지로 결합하여 장면 내의 다양한 객체 크기, 종횡비 및 컨텍스트에 일반화하는 모델의 능력을 향상시킵니다. 모자이싱은 모델의 견고성과 정확성을 향상시키는 데 유용하며, 특히 COCO8-Seg와 같은 소규모 데이터 세트로 작업할 때 유용합니다. 모자이크된 이미지의 예는 샘플 이미지 및 주석 섹션을 참조하세요.

📅1 년 전 생성됨 ✏️ 2개월 전 업데이트됨

댓글