Link to this sectionConjunto de dados COCO-Seg#

O conjunto de dados COCO-Seg, uma extensão do conjunto de dados COCO (Common Objects in Context), foi especialmente desenvolvido para auxiliar pesquisas em segmentação de instâncias. Ele utiliza as mesmas imagens do COCO, mas introduz anotações de segmentação mais detalhadas. Este conjunto de dados é um recurso crucial para pesquisadores e desenvolvedores que trabalham com tarefas de segmentação de instâncias, especialmente para treinar modelos Ultralytics YOLO.

Link to this sectionModelos Pré-treinados COCO-Seg#

Link to this sectionPrincipais recursos#

• O COCO-Seg mantém as 330 mil imagens originais do COCO.
• O conjunto de dados consiste nas mesmas 80 categorias de objetos encontradas no conjunto de dados COCO original.
• As anotações agora incluem máscaras de segmentação de instâncias mais detalhadas para cada objeto nas imagens.
• O COCO-Seg fornece métricas de avaliação padronizadas, como mean Average Precision (mAP) para detecção de objetos e mean Average Recall (mAR) para tarefas de segmentação de instâncias, permitindo uma comparação eficaz do desempenho do modelo.

Link to this sectionEstrutura do Dataset#

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

1. Train2017: 118 mil imagens para treinamento de modelos de segmentação de instâncias.
2. Val2017: 5 mil imagens usadas para validação durante o desenvolvimento do modelo.
3. Test2017: 20K imagens usadas para benchmarking. As anotações de ground-truth para este subconjunto não estão disponíveis publicamente, portanto as previsões devem ser enviadas para o COCO evaluation server para pontuação.

Link to this sectionAplicações#

O COCO-Seg é amplamente utilizado para treinar e avaliar modelos de deep learning em segmentação de instâncias, como os modelos YOLO. O grande número de imagens anotadas, a diversidade de categorias de objetos e as métricas de avaliação padronizadas tornam-no um recurso indispensável para pesquisadores e profissionais de computer vision.

Link to this sectionYAML do Dataset#

Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. 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 (20.1 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: 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
  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)

Link to this sectionUso#

Para treinar um modelo YOLO26n-seg no conjunto de dados COCO-Seg por 100 epochs com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista completa de argumentos disponíveis, consulte a página de Treinamento 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)

Link to this sectionExemplos de Imagens e Anotações#

O COCO-Seg, assim como seu predecessor COCO, contém um conjunto diversificado de imagens com várias categorias de objetos e cenas complexas. No entanto, o COCO-Seg introduz máscaras de segmentação de instâncias mais detalhadas para cada objeto nas imagens. Aqui estão alguns exemplos de imagens do conjunto de dados, juntamente com suas correspondentes máscaras de segmentação de instâncias:

• Imagem em Mosaico: Esta imagem demonstra um lote de treinamento composto por imagens em mosaico do conjunto de dados. Mosaicing é uma técnica usada durante o treinamento que combina várias imagens em uma única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treinamento. Isso ajuda na capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

O exemplo mostra a variedade e a complexidade das imagens no conjunto de dados COCO-Seg e os benefícios de usar mosaicing durante o processo de treinamento.

Link to this sectionCitações e Agradecimentos#

Se você utilizar o conjunto de dados COCO-Seg em seu trabalho de pesquisa ou desenvolvimento, por favor cite o artigo original do COCO e reconheça a extensão para o 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}
}

Estendemos nossos agradecimentos ao COCO Consortium por criar e manter este recurso inestimável para a comunidade de visão computacional. Para mais informações sobre o conjunto de dados COCO e seus criadores, visite o site do conjunto de dados COCO.

Link to this sectionFAQ#

Link to this sectionO que é o conjunto de dados COCO-Seg e como ele difere do conjunto de dados COCO original?#

O conjunto de dados COCO-Seg é uma extensão do conjunto de dados original COCO (Common Objects in Context), projetado especificamente para tarefas de segmentação de instâncias. Embora utilize as mesmas imagens do conjunto de dados COCO, o COCO-Seg inclui anotações de segmentação mais detalhadas, tornando-o um recurso poderoso para pesquisadores e desenvolvedores focados em segmentação de instâncias de objetos.

Link to this sectionComo posso treinar um modelo YOLO26 usando o conjunto de dados COCO-Seg?#

Para treinar um modelo YOLO26n-seg no conjunto de dados COCO-Seg por 100 épocas com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista detalhada de argumentos disponíveis, consulte a página de Treinamento 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)

Link to this sectionQuais são os principais recursos do conjunto de dados COCO-Seg?#

O conjunto de dados COCO-Seg inclui vários recursos principais:

• Mantém as 330 mil imagens originais do conjunto de dados COCO.
• Anota as mesmas 80 categorias de objetos encontradas no COCO original.
• Fornece máscaras de segmentação de instâncias mais detalhadas para cada objeto.
• Usa métricas de avaliação padronizadas, como mean Average Precision (mAP) para detecção de objetos e mean Average Recall (mAR) para tarefas de segmentação de instâncias.

Link to this sectionQuais modelos pré-treinados estão disponíveis para o COCO-Seg e quais são suas métricas de desempenho?#

O conjunto de dados COCO-Seg suporta vários modelos de segmentação YOLO26 pré-treinados com métricas de desempenho variadas. Aqui está um resumo dos modelos disponíveis e suas principais métricas:

Esses modelos variam desde o leve YOLO26n-seg até o mais potente YOLO26x-seg, oferecendo diferentes compensações entre velocidade e precisão para atender aos requisitos de diversas aplicações. Para mais informações sobre a seleção de modelos, visite a página de modelos Ultralytics.

Link to this sectionComo o conjunto de dados COCO-Seg é estruturado e quais subconjuntos ele contém?#

O conjunto de dados COCO-Seg está dividido em três subconjuntos para necessidades específicas de treinamento e avaliação:

1. Train2017: Contém 118 mil imagens usadas principalmente para treinar modelos de segmentação de instâncias.
2. Val2017: Compreende 5 mil imagens utilizadas para validação durante o processo de treinamento.
3. Test2017: Abrange 20K imagens reservadas para teste e benchmarking de modelos treinados. Observa que as anotações de ground-truth para este subconjunto não estão disponíveis publicamente, e os resultados de desempenho são enviados para o COCO evaluation server para avaliação.

Para necessidades de experimentação menores, você também pode considerar usar o conjunto de dados COCO8-seg, que é uma versão compacta contendo apenas 8 imagens do conjunto de treinamento COCO 2017.