Conjunto de dados 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 30, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

O conjunto de dados COCO-Seg oferece máscaras de segmentação de instâncias do COCO (Objetos Comuns em Contexto) — 118.287 imagens de treino e 5.000 de validação, com máscaras poligonais em 80 categorias de objetos — no formato de rótulos Ultralytics YOLO. Ele usa as imagens originais e as anotações de segmentação nativas do COCO, convertidas para o treino YOLO, sendo um recurso essencial para pesquisadores e desenvolvedores que trabalham com tarefas de segmentação de instâncias.

Modelos pré-treinados COCO-Seg#

Principais funcionalidades#

• O COCO-Seg oferece máscaras de segmentação de instâncias para 123.287 imagens rotuladas do COCO train2017/val2017 (118.287 de treino + 5.000 de validação), dentro do conjunto mais amplo de cerca de ~330 mil imagens do COCO.
• O conjunto de dados contém as mesmas 80 categorias de objetos do conjunto de dados COCO original.
• As anotações fornecem máscaras de segmentação de instâncias no formato de rótulos poligonais YOLO.
• O COCO-Seg oferece métricas mAP e mAR padronizadas para avaliar o desempenho da segmentação de instâncias, permitindo comparar modelos de forma eficaz.
• Tamanho do download: cerca de ~20,3 GB na primeira utilização (train2017.zip + val2017.zip + rótulos). O arquivo test2017.zip, de 7 GB, não é baixado automaticamente, pois essas imagens não têm dados de referência disponíveis e só são necessárias para uma submissão test-dev2017.

Estrutura do conjunto de dados#

O conjunto de dados COCO-Seg está dividido em três subconjuntos:

1. Train2017: 118.287 imagens para treinar modelos de segmentação de instâncias.
2. Val2017: 5.000 imagens usadas para validação durante o desenvolvimento do modelo.
3. Test-dev2017: 20.288 das 40.670 imagens test2017, usadas para benchmarking. As anotações de ground truth desse subconjunto não estão disponíveis publicamente, então as predições devem ser enviadas ao servidor de avaliação do COCO para pontuação.

Para experimentos em menor escala, veja os subconjuntos COCO128-Seg (128 imagens) e COCO8-Seg (8 imagens).

Aplicações#

O COCO-Seg é amplamente usado para treinar e avaliar modelos de aprendizagem profunda em segmentação de instâncias, como os modelos YOLO. O grande número de imagens anotadas, a diversidade das categorias de objetos e as métricas de avaliação padronizadas fazem dele um recurso indispensável para pesquisadores e profissionais de visão computacional. Também é possível explorar e gerenciar as anotações completas do COCO-Seg na Ultralytics Platform.

YAML do conjunto de dados#

Um arquivo YAML é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, as classes e outros dados relevantes do conjunto de dados. No caso do conjunto de dados COCO-Seg, o arquivo 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)

Uso#

Para treinar um modelo YOLO26n-seg no conjunto de dados COCO-Seg por 100 épocas, com tamanho de imagem 640, você pode usar os trechos de código a seguir. Para ver a lista completa de argumentos disponíveis, consulte a página de treinamento do modelo.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n-seg.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
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 do COCO, com máscaras de segmentação de instâncias no formato de rótulo YOLO. Veja alguns exemplos de imagens do conjunto de dados e as respectivas máscaras de segmentação de instâncias:

• Imagem em mosaico: esta imagem mostra um lote de treinamento composto por imagens do conjunto de dados organizadas em mosaico. O mosaico é uma técnica usada durante o treinamento que combina várias imagens em uma só para aumentar a variedade de objetos e cenas em cada lote de treinamento. Isso ajuda o modelo a generalizar para diferentes tamanhos de objetos, proporções e contextos.

Citações e agradecimentos#

Se você usar o conjunto de dados COCO-Seg em seus trabalhos de pesquisa ou desenvolvimento, cite o artigo original do COCO e reconheça 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 esse recurso inestimável para a comunidade de visão computacional. Para saber mais sobre o conjunto de dados COCO e seus criadores, visite o site do conjunto de dados COCO.

Perguntas frequentes#