YOLO Vision 2026:
Research

Cityscapes8 데이터셋#

소개#

Ultralytics Cityscapes8 데이터셋은 Cityscapes 데이터셋에서 샘플링된 8장의 이미지(학습용 4장, 검증용 4장)로 구성된 소형 semantic segmentation 데이터셋입니다. 이 데이터셋은 YOLO semantic segmentation 모델 및 학습 파이프라인을 활용한 빠른 테스트, 디버깅, 실험을 위해 설계되었습니다. 도시 장면 콘텐츠를 포함하고 있어 전체 Cityscapes 데이터셋으로 확장하기 전에 유용한 파이프라인 점검을 제공합니다.

Cityscapes8은 전체 Cityscapes 데이터셋과 동일한 19개의 평가 클래스 및 동일한 label_mapping 동작을 사용하며, YOLO26 semantic segmentation 워크플로와 완벽히 호환됩니다.

참고

Cityscapes8은 벤치마킹이 아닌 파이프라인 테스트 전용입니다. 8장의 이미지는 의미 있는 mIoU 비교를 수행하기에는 너무 적습니다. 대표성 있는 결과를 얻으려면 전체 Cityscapes 검증 세트를 사용하십시오.

데이터셋 구조#

Cityscapes8은 test 분할 없이 전체 데이터셋의 레이아웃을 미러링합니다:

cityscapes8/
├── images/
│   ├── train/  # 4 images
│   └── val/    # 4 images
└── masks/
    ├── train/  # 4 single-channel PNG masks
    └── val/    # 4 single-channel PNG masks

마스크는 masks_dir: masks 필드를 통해 이미지와 쌍을 이루며, label_mapping은 원본 Cityscapes 라벨 ID를 전체 Cityscapes 데이터셋 구조에 설명된 19개의 연속된 train ID로 변환합니다.

데이터셋 YAML#

Cityscapes8 데이터셋 구성은 데이터셋 경로, 클래스 이름, 기타 필수 메타데이터를 지정하는 데이터셋 YAML 파일에 정의되어 있습니다. Ultralytics GitHub repository에서 공식 cityscapes8.yaml 파일을 확인할 수 있습니다. YAML에는 소형 패키지 하위 세트에 대한 다운로드 URL이 포함되어 있습니다.

ultralytics/cfg/datasets/cityscapes8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

사용법#

이미지 크기 1024로 100 epochs 동안 Cityscapes8 데이터셋에서 YOLO26n-sem 모델을 학습하려면 다음 예시를 사용하십시오. 전체 학습 옵션 목록은 YOLO Training 문서를 참조하십시오.

훈련 예제
from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Ultralytics Platform을 사용하여 클라우드에서 Cityscapes8을 관리하고 semantic segmentation 모델을 학습할 수도 있습니다.

인용, 라이선스 및 감사의 글#

Cityscapes8은 사용자 지정 비상업적 라이선스에 따라 배포되는 Cityscapes에서 샘플링되었습니다. 자세한 내용은 전체 Cityscapes 데이터셋 페이지를 참조하십시오.

연구 또는 개발에 Cityscapes 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

인용
@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

자율주행 및 computer vision 커뮤니티에 지속적으로 기여해 주시는 Cityscapes team에 깊은 감사를 드립니다.

FAQ#

Ultralytics Cityscapes8 데이터셋은 어떤 용도로 사용됩니까?#

Ultralytics Cityscapes8 데이터셋은 semantic segmentation 모델의 빠른 테스트와 디버깅을 위해 설계되었습니다. 단 8장의 이미지(학습용 4장, 검증용 4장)로 구성되어 있어, 전체 Cityscapes 데이터셋으로 확장하기 전에 마스크 로딩, 증강, 검증, 내보내기 경로를 포함한 YOLO semantic segmentation 파이프라인을 검증하는 데 이상적입니다. 자세한 내용은 Cityscapes8 YAML configuration을 확인하세요.

Cityscapes8은 전체 Cityscapes 데이터셋과 어떻게 다릅니까?#

Cityscapes8은 Cityscapes의 2,975개 학습/500개 검증 분할에서 8장의 이미지(학습 4장, 검증 4장)를 샘플링하며, 동일한 19개의 클래스와 label_mapping을 사용합니다. 따라서 Cityscapes8에서 실행되는 파이프라인은 전체 데이터셋에서도 수정 없이 실행됩니다. cityscapes8.yaml 대신 data=을 cityscapes.yaml로 지정하기만 하면 됩니다. 전체 데이터셋과 달리 Cityscapes8에는 수동 다운로드 단계와 test 분할이 없습니다.

Cityscapes8 데이터셋을 사용하여 YOLO26 모델을 훈련하려면 어떻게 해야 합니까?#

Python 또는 CLI를 사용하여 Cityscapes8에서 YOLO26 semantic segmentation 모델을 학습할 수 있습니다:

훈련 예제
from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

추가 훈련 옵션에 대해서는 YOLO 훈련 문서를 참조하십시오.

벤치마킹을 위해 Cityscapes8을 사용해야 합니까?#

아니요. Cityscapes8은 의미 있는 모델 비교를 하기에는 너무 작으며 학습 및 평가 파이프라인 점검용으로 의도되었습니다. semantic segmentation에 대한 대표성 있는 벤치마크 결과가 필요할 때는 전체 Cityscapes 검증 세트를 사용하십시오.

기여자
RAraimbekovm3GLglenn-jocher2LALaughing-q1

댓글