Dataset COCO128-Seg#
Introdução#
O Ultralytics COCO128-Seg é um pequeno, mas versátil, dataset de segmentação de instâncias, composto pelas primeiras 128 imagens do conjunto de treino COCO 2017. Este dataset é ideal para testar e depurar modelos de segmentação ou experimentar novas abordagens de deteção. Com 128 imagens, é pequeno o suficiente para ser facilmente gerível, mas diversificado o suficiente para testar pipelines de treino em busca de erros e servir como verificação básica antes do treino com datasets maiores.
Estrutura do Conjunto de Dados#
- Imagens: 128 no total, com as divisões de treino e validação idênticas (consulta a nota abaixo).
- Classes: As mesmas 80 categorias de objetos do COCO.
- Etiquetas: Polígonos no formato YOLO armazenados em
labels/train2017para o diretório de imagens partilhado entre treino e validação. - Tamanho do download: ~7 MB.
O YAML predefinido aponta o treino e a validação para as mesmas 128 imagens, pelo que as métricas de validação medem o ajuste ao conjunto de treino, em vez da generalização em dados não utilizados no treino. Duplica ou personaliza a divisão se precisares de um conjunto de validação independente verdadeiro.
Este conjunto de dados destina-se a ser utilizado com a Plataforma Ultralytics e o YOLO26.
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 COCO128-Seg, o ficheiro coco128-seg.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco128-seg
# Example usage: yolo train data=coco128-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128-seg ← downloads here (7 MB)
# 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128-seg.zipUtilização#
Para treinares um modelo YOLO26n-seg no dataset COCO128-Seg durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes excertos de código. Para consultar a lista completa de argumentos disponíveis, vê 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="coco128-seg.yaml", epochs=100, imgsz=640)Imagens de exemplo e anotações#
Aqui estão alguns exemplos de imagens do dataset COCO128-Seg, juntamente com as respetivas anotações:
- Imagem em mosaico: esta imagem demonstra um lote de treino composto por imagens do dataset combinadas em mosaico. A combinação em mosaico 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 a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.
Citações e agradecimentos#
Se utilizares o dataset COCO no teu trabalho de investigação ou desenvolvimento, cita o seguinte artigo:
@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}
}Gostaríamos de agradecer ao Consórcio COCO pela criação e manutenção deste valioso recurso para a comunidade de visão computacional. Para obter mais informações sobre o conjunto de dados COCO e os seus criadores, visite o site do conjunto de dados COCO.
Perguntas frequentes#
O dataset COCO128-Seg é um dataset compacto de segmentação de instâncias da Ultralytics, constituído pelas primeiras 128 imagens do conjunto de treino COCO 2017. Este dataset foi concebido para testar e depurar modelos de segmentação ou experimentar novos métodos de deteção. É particularmente útil com o YOLO26 e a Platform da Ultralytics para iteração rápida e verificação de erros no pipeline antes de passar a datasets maiores. Para obter informações detalhadas sobre a utilização, consulta a página de Treino do modelo.
Para treinares um modelo YOLO26n-seg no dataset COCO128-Seg durante 100 épocas com um tamanho de imagem de 640, podes utilizar comandos Python ou CLI. Eis um exemplo rápido:
Exemplo de treinofrom 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="coco128-seg.yaml", epochs=100, imgsz=640)Para obteres uma explicação detalhada dos argumentos disponíveis e das opções de configuração, consulta a documentação de Treino.
Como o download e o ciclo de treino/validação são muito menores do que no COCO completo, o COCO128-Seg permite executar uma verificação básica de 1 época num novo pipeline — confirmando que o modelo treina, valida e guarda corretamente os checkpoints — antes de passar ao dataset COCO-Seg completo. Sabe mais sobre os formatos de dataset compatíveis no guia de datasets de segmentação da Ultralytics.
O ficheiro de configuração YAML do dataset COCO128-Seg está disponível no repositório da Ultralytics. Podes aceder diretamente ao ficheiro em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. O ficheiro YAML inclui informações essenciais sobre os caminhos do dataset, as classes e as definições de configuração necessárias para o treino e a validação do modelo.
O COCO128-Seg (128 imagens) situa-se entre o COCO8-Seg (8 imagens) e o dataset COCO-Seg completo (118 287 imagens de treino) em termos de tamanho:
- COCO8-Seg: 8 imagens (4 de treino, 4 de validação) — ideal para verificações básicas rápidas e depuração.
- COCO128-Seg: 128 imagens — um equilíbrio entre tamanho e diversidade, com os dados de treino e validação a partilharem o mesmo diretório.
- COCO-Seg Completo: 118.287 imagens de treino — abrangente, mas que consome muitos recursos, exigindo cerca de 20 GB no primeiro download.
O COCO128-Seg oferece mais diversidade do que o COCO8-Seg, mantendo-se muito mais gerível do que o dataset COCO-Seg completo para experiências e o desenvolvimento inicial de modelos.