Dataset COCO-Seg#

123,272

COCO 2017 Segmentation

ultralytics

publicSegment

COCO 2017 Segmentation is the canonical instance-segmentation benchmark across 80 everyday-object classes. Detailed polygons delineate objects in complex scenes with varied scale, crowding, occlusion, and context for standardized mask-quality evaluation.

80 classes11.6 GBSep 2, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

O dataset COCO-Seg fornece máscaras de segmentação de instâncias do COCO (Objetos Comuns em Contexto) — 118.287 imagens de treino e 5.000 imagens de validação com máscaras poligonais em 80 categorias de objetos — no formato de etiquetas do Ultralytics YOLO. Utiliza as imagens originais do COCO e as anotações nativas de segmentação, convertidas para o treino do YOLO, o que o torna um recurso essencial para investigadores e programadores que trabalham em tarefas de segmentação de instâncias.

Modelos pré-treinados do COCO-Seg#

Principais funcionalidades#

• O COCO-Seg fornece máscaras de segmentação de instâncias para 123.287 imagens COCO train2017/val2017 anotadas (118.287 de treino + 5.000 de validação), de um total de aproximadamente ~330 mil imagens disponibilizadas pelo COCO.
• O dataset é composto pelas mesmas 80 categorias de objetos presentes no dataset COCO original.
• As anotações fornecem máscaras de segmentação de instâncias no formato de etiquetas poligonais do YOLO.
• O COCO-Seg fornece métricas mAP e mAR padronizadas para avaliar o desempenho da segmentação de instâncias, permitindo uma comparação eficaz do desempenho dos modelos.
• Tamanho do download: aproximadamente ~20,3 GB na primeira utilização (train2017.zip + val2017.zip + etiquetas). O test2017.zip, com 7 GB, não é obtido automaticamente, pois essas imagens têm a verdade fundamental retida e só são necessárias para uma submissão ao test-dev2017.

Estrutura do Conjunto de Dados#

O dataset COCO-Seg está dividido em três subconjuntos:

1. Train2017: 118.287 imagens para treinar modelos de segmentação de instâncias.
2. Val2017: 5.000 imagens utilizadas para validação durante o desenvolvimento do modelo.
3. Test-dev2017: 20.288 das 40.670 imagens test2017, utilizadas para benchmarking. As anotações de verdade fundamental deste subconjunto não estão disponíveis publicamente, pelo que as previsões têm de ser submetidas ao servidor de avaliação do COCO para obter a pontuação.

Para necessidades de experimentação menores, consulta os subconjuntos COCO128-Seg (128 imagens) e COCO8-Seg (8 imagens).

Aplicações#

O COCO-Seg é amplamente utilizado para treinar e avaliar modelos de aprendizagem profunda em segmentação de instâncias, como os modelos YOLO. O elevado número de imagens anotadas, a diversidade de categorias de objetos e as métricas de avaliação padronizadas fazem dele um recurso indispensável para investigadores e profissionais de visão computacional. As anotações completas do COCO-Seg também podem ser consultadas e geridas na Ultralytics Platform.

YAML do Conjunto de Dados#

É utilizado um ficheiro YAML para definir a configuração do dataset. Este contém informações sobre os caminhos do dataset, as classes e outras informações relevantes. No caso do dataset COCO-Seg, o ficheiro coco.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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 (20.3 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: 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 via https://cocodataset.org/#detection-eval

# 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 pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Utilização#

Para treinar um modelo YOLO26n-seg no dataset COCO-Seg durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes excertos de código. Para consultar uma lista completa dos argumentos disponíveis, consulta a página de treino do modelo.

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="coco.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

O COCO-Seg contém as mesmas imagens diversificadas, categorias de objetos e cenas complexas que o COCO, com máscaras de segmentação de instâncias fornecidas no formato de etiquetas do YOLO. Eis alguns exemplos de imagens do dataset, juntamente com as respetivas máscaras de segmentação de instâncias:

• Imagem em mosaico: esta imagem demonstra um lote de treino composto por imagens do dataset dispostas em mosaico. A criação de mosaicos é uma técnica utilizada durante o treino que combina várias imagens numa única imagem para aumentar a variedade de objetos e cenas em cada lote de treino. Isto ajuda o modelo a generalizar para diferentes tamanhos de objetos, proporções e contextos.

Citações e agradecimentos#

Se utilizares o dataset COCO-Seg no teu trabalho de investigação ou desenvolvimento, cita o artigo original do COCO e reconhece a extensão COCO-Seg:

@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}
}

Agradecemos ao COCO Consortium por criar e manter este recurso inestimável para a comunidade de visão computacional. Para mais informações sobre o dataset COCO e os seus criadores, visita o site do dataset COCO.

Perguntas frequentes#