COCO Dataset

De COCO (Common Objects in Context) dataset is een grootschalige dataset voor objectdetectie, segmentatie en bijschriften. Het is ontworpen om onderzoek naar een grote verscheidenheid aan objectcategorieën aan te moedigen en wordt vaak gebruikt voor het benchmarken van computervisie modellen. Het is een essentiële dataset voor onderzoekers en ontwikkelaars die werken aan objectdetectie, segmentatie en pose estimation taken.

Kijken: Ultralytics Overzicht COCO-dataset

COCO voorgetrainde modellen

Belangrijkste kenmerken

• COCO bevat 330K afbeeldingen, met 200K afbeeldingen met annotaties voor objectdetectie, segmentatie en onderschrifttaken.
• De dataset bestaat uit 80 objectcategorieën, waaronder veelvoorkomende objecten zoals auto's, fietsen en dieren, maar ook meer specifieke categorieën zoals paraplu's, handtassen en sportuitrusting.
• Annotaties bevatten objectgrenzen, segmentatiemaskers en bijschriften voor elke afbeelding.
• COCO biedt gestandaardiseerde evaluatiemetrieken zoals gemiddelde precisie (mAP) voor objectdetectie en gemiddelde recall (mAR) voor segmentatietaken, waardoor het geschikt is voor het vergelijken van modelprestaties.

Structuur dataset

De COCO dataset is opgesplitst in drie subsets:

1. Train2017: Deze subset bevat 118K afbeeldingen voor het trainen van modellen voor objectdetectie, segmentatie en bijschriften.
2. Val2017: Deze subset bevat 5K beelden die tijdens de modeltraining zijn gebruikt voor validatiedoeleinden.
3. Test2017: Deze subset bestaat uit 20K afbeeldingen die worden gebruikt voor het testen en benchmarken van de getrainde modellen. De grondwaarheidsannotaties voor deze subset zijn niet openbaar en de resultaten worden ingediend bij de COCO evaluatieserver voor prestatie-evaluatie.

Toepassingen

De COCO dataset wordt veel gebruikt voor het trainen en evalueren van deep learning modellen in objectdetectie (zoals YOLO, Faster R-CNN en SSD), segmentatie van instanties (zoals Mask R-CNN) en sleutelpuntdetectie (zoals OpenPose). De diverse set objectcategorieën, het grote aantal geannoteerde afbeeldingen en de gestandaardiseerde evaluatiemetrieken maken de dataset tot een essentiële bron voor computer vision onderzoekers en praktijkmensen.

Dataset YAML

Een YAML (Yet Another Markup Language) bestand wordt gebruikt om de configuratie van de dataset te definiëren. Het bevat informatie over de paden, klassen en andere relevante informatie van de dataset. In het geval van de COCO dataset is de coco.yaml bestand wordt onderhouden op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco  ← downloads here (20.1 GB)

# 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/coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://competitions.codalab.org/competitions/20794

# 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: |
  from ultralytics.utils.downloads import download
  from pathlib import Path

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml['path'])  # dataset root dir
  url = 'https://github.com/ultralytics/yolov5/releases/download/v1.0/'
  urls = [url + ('coco2017labels-segments.zip' if segments else 'coco2017labels.zip')]  # labels
  download(urls, dir=dir.parent)
  # Download data
  urls = ['http://images.cocodataset.org/zips/train2017.zip',  # 19G, 118k images
          'http://images.cocodataset.org/zips/val2017.zip',  # 1G, 5k images
          'http://images.cocodataset.org/zips/test2017.zip']  # 7G, 41k images (optional)
  download(urls, dir=dir / 'images', threads=3)

Gebruik

Om een YOLOv8n model te trainen op de COCO dataset voor 100 epochs met een afbeeldingsgrootte van 640, kun je de volgende codefragmenten gebruiken. Raadpleeg de pagina Model Training voor een uitgebreide lijst met beschikbare argumenten.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='coco.yaml', epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco.yaml model=yolov8n.pt epochs=100 imgsz=640

Voorbeeldafbeeldingen en -annotaties

De COCO dataset bevat een diverse set afbeeldingen met verschillende objectcategorieën en complexe scènes. Hier zijn enkele voorbeelden van afbeeldingen uit de dataset, samen met de bijbehorende annotaties:

• Gemozaïekte afbeelding: Deze afbeelding toont een trainingsbatch die bestaat uit gemozaïekte afbeeldingen van de dataset. Mozaïeken is een techniek die tijdens het trainen wordt gebruikt om meerdere afbeeldingen te combineren tot één afbeelding om de verscheidenheid aan objecten en scènes binnen elke trainingsbatch te vergroten. Dit helpt het vermogen van het model om te generaliseren naar verschillende objectgroottes, beeldverhoudingen en contexten te verbeteren.

Het voorbeeld toont de verscheidenheid en complexiteit van de afbeeldingen in de COCO dataset en de voordelen van het gebruik van mozaïek tijdens het trainingsproces.

Citaten en erkenningen

Als je de COCO dataset gebruikt in je onderzoek of ontwikkeling, citeer dan het volgende document:

@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}
}

We willen graag het COCO Consortium bedanken voor het maken en onderhouden van deze waardevolle bron voor de computer vision gemeenschap. Ga voor meer informatie over de COCO dataset en de makers naar de COCO dataset website.

Reacties