Conjunto de Dados COCO128-Seg
Introdução
O Ultralytics COCO128-Seg é um pequeno, mas versátil conjunto de dados de segmentação de instâncias composto pelas primeiras 128 imagens do conjunto de treinamento COCO 2017. Este conjunto de dados é ideal para testar e depurar modelos de segmentação ou para experimentar novas abordagens de detecção. Com 128 imagens, é pequeno o suficiente para ser facilmente gerenciável, mas diverso o suficiente para testar pipelines de treinamento em busca de erros e atuar como uma verificação de sanidade antes de treinar conjuntos de dados maiores.
Estrutura do Conjunto de Dados
- Imagens: 128 no total. O YAML padrão reutiliza o mesmo diretório para treino e validação para que você possa iterar rapidamente, mas você pode duplicar ou personalizar a divisão, se desejar.
- Classes: As mesmas 80 categorias de objetos do COCO.
- Rótulos: Polígonos no formato YOLO salvos ao lado de cada imagem dentro de
labels/{train,val}.
Este conjunto de dados destina-se ao uso com o HUB Ultralytics e YOLO11.
YAML do Conjunto de Dados
Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. No caso do conjunto de dados COCO128-Seg, o coco128-seg.yaml arquivo é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
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/coco/
# Example usage: yolo train data=coco128.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.zip
Utilização
Para treinar um modelo YOLO11n-seg no conjunto de dados COCO128-Seg por 100 epochs com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para obter uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento do modelo.
Exemplo de Treinamento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Amostras de Imagens e Anotações
Aqui estão alguns exemplos de imagens do conjunto de dados COCO128-Seg, juntamente com suas anotações correspondentes:
- Imagem em Mosaico: Esta imagem demonstra um lote de treinamento composto por imagens de conjunto de dados em mosaico. O mosaico 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 a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.
O exemplo mostra a variedade e complexidade das imagens no dataset COCO128-Seg e os benefícios de usar mosaicos durante o processo de treinamento.
Citações e Agradecimentos
Se você usar o dataset COCO em seu trabalho de pesquisa ou desenvolvimento, cite 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 COCO Consortium por criar e manter este recurso valioso para a comunidade de visão computacional. Para mais informações sobre o conjunto de dados COCO e os seus criadores, visite o site do conjunto de dados COCO.
FAQ
O que é o conjunto de dados COCO128-Seg e como ele é usado no Ultralytics YOLO11?
O dataset COCO128-Seg é um dataset de segmentação de instâncias compacto da Ultralytics, consistindo nas primeiras 128 imagens do conjunto de treino COCO 2017. Este dataset é feito sob medida para testar e depurar modelos de segmentação ou experimentar novos métodos de detecção. É particularmente útil com YOLO11 e HUB da Ultralytics para iteração rápida e verificação de erros de pipeline antes de escalar para datasets maiores. Para uso detalhado, consulte a página de Treinamento do modelo.
Como posso treinar um modelo YOLO11n-seg usando o conjunto de dados COCO128-Seg?
Para treinar um modelo YOLO11n-seg no conjunto de dados COCO128-Seg por 100 épocas com um tamanho de imagem de 640, você pode usar comandos Python ou CLI. Aqui está um exemplo rápido:
Exemplo de Treinamento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # Load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Para uma explicação detalhada dos argumentos disponíveis e opções de configuração, pode consultar a documentação de Treino.
Por que o conjunto de dados COCO128-Seg é importante para o desenvolvimento e depuração de modelos?
O dataset COCO128-Seg oferece uma combinação equilibrada de gerenciabilidade e diversidade com 128 imagens, tornando-o perfeito para testar e depurar rapidamente modelos de segmentação ou experimentar novas técnicas de detecção. Seu tamanho moderado permite iterações de treinamento rápidas, fornecendo diversidade suficiente para validar pipelines de treinamento antes de escalar para datasets maiores. Saiba mais sobre os formatos de dataset suportados no guia de dataset de segmentação Ultralytics.
Onde posso encontrar o arquivo de configuração YAML para o conjunto de dados COCO128-Seg?
O arquivo de configuração YAML para o conjunto de dados COCO128-Seg está disponível no repositório Ultralytics. Você pode acessar o arquivo diretamente em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. O arquivo YAML inclui informações essenciais sobre caminhos de conjuntos de dados, classes e configurações necessárias para o treinamento e validação do modelo.
Quais são alguns dos benefícios de usar mosaicos durante o treinamento com o conjunto de dados COCO128-Seg?
Usar mosaico durante o treinamento ajuda a aumentar a diversidade e a variedade de objetos e cenas em cada lote de treinamento. Esta técnica combina várias imagens em uma única imagem composta, melhorando a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos dentro da cena. O mosaico é benéfico para melhorar a robustez e a precisão de um modelo, especialmente ao trabalhar com conjuntos de dados de tamanho moderado como o COCO128-Seg. Para um exemplo de imagens em mosaico, consulte a seção Imagens de Amostra e Anotações.
