Link to this sectionDataset COCO128-Seg#
Link to this sectionIntrodução#
O COCO128-Seg da Ultralytics é um dataset pequeno, mas versátil, de segmentação de instâncias, composto pelas primeiras 128 imagens do conjunto COCO train 2017. Este dataset 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, porém diverso o suficiente para testar pipelines de treinamento em busca de erros e atuar como uma verificação de integridade antes de treinar datasets maiores.
Link to this sectionEstrutura do Dataset#
- Imagens: 128 no total, com divisão de train e val idêntica (veja a nota abaixo).
- Classes: As mesmas 80 categorias de objetos do COCO.
- Rótulos: Polígonos no formato YOLO armazenados em
labels/train2017para o diretório compartilhado de imagens de train e val. - Tamanho do download: ~7 MB.
O YAML padrão aponta train e val para as mesmas 128 imagens, portanto, as métricas de validação medem o ajuste no conjunto de treinamento em vez da generalização em dados mantidos fora do treino. Duplique ou personalize a divisão se precisar de um conjunto de teste real.
Este conjunto de dados destina-se a ser utilizado com a Ultralytics Platform e YOLO26.
Link to this sectionYAML do Dataset#
Um arquivo YAML é usado para definir a configuração do dataset. Ele contém informações sobre os caminhos do dataset, classes e outras informações relevantes. No caso do dataset COCO128-Seg, o arquivo 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.zipLink to this sectionUso#
Para treinar um modelo YOLO26n-seg no dataset COCO128-Seg por 100 épocas com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulta 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="coco128-seg.yaml", epochs=100, imgsz=640)Link to this sectionExemplos de Imagens e Anotações#
Aqui estão alguns exemplos de imagens do dataset COCO128-Seg, juntamente com as suas respectivas anotações:
- Imagem em Mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A mosaicação é uma técnica usada durante o treino que combina múltiplas imagens numa única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objeto, proporções e contextos.
Link to this sectionCitações e Agradecimentos#
Se você utilizar o dataset COCO em seu trabalho de pesquisa ou desenvolvimento, por favor, 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 dataset COCO e seus criadores, visite o site do dataset COCO.
Link to this sectionFAQ#
Link to this sectionO que é o dataset COCO128-Seg e como ele é usado no Ultralytics YOLO26?#
O dataset COCO128-Seg é um dataset compacto de segmentação de instâncias da Ultralytics, consistindo nas primeiras 128 imagens do conjunto COCO train 2017. Este dataset é adaptado para testar e depurar modelos de segmentação ou experimentar novos métodos de detecção. É particularmente útil com o Ultralytics YOLO26 e Platform para iteração rápida e verificação de erros no pipeline antes de escalar para datasets maiores. Para uso detalhado, consulta a página de Treinamento do modelo.
Link to this sectionComo posso treinar um modelo YOLO26n-seg usando o dataset COCO128-Seg?#
Para treinar um modelo YOLO26n-seg no dataset COCO128-Seg por 100 épocas com um tamanho de imagem de 640, podes usar comandos Python ou CLI. Aqui está um exemplo rápido:
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)Para uma explicação completa dos argumentos disponíveis e opções de configuração, você pode verificar a documentação de Treinamento.
Link to this sectionPor que o dataset COCO128-Seg é importante para o desenvolvimento e depuração de modelos?#
Como o loop de download e train/val é muito menor que o COCO completo, o COCO128-Seg permite que você execute uma verificação rápida de 1 época em um novo pipeline — verificando se o modelo treina, valida e salva checkpoints corretamente — antes de escalar para o conjunto de dados COCO-Seg completo. Saiba mais sobre os formatos de conjunto de dados suportados no guia de conjuntos de dados de segmentação da Ultralytics.
Link to this sectionOnde posso encontrar o arquivo de configuração YAML para o dataset COCO128-Seg?#
O arquivo de configuração YAML para o dataset COCO128-Seg está disponível no repositório da Ultralytics. Podes 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 os caminhos do dataset, classes e configurações necessárias para o treinamento e validação do modelo.
Link to this sectionComo o COCO128-Seg se compara ao COCO8-Seg e ao conjunto de dados COCO-Seg completo?#
O COCO128-Seg (128 imagens) situa-se entre o COCO8-Seg (8 imagens) e o conjunto de dados COCO-Seg completo (118.287 imagens de treinamento) em termos de tamanho:
- COCO8-Seg: 8 imagens (4 de train, 4 de val) — ideal para verificações rápidas e depuração.
- COCO128-Seg: 128 imagens — equilibrado entre tamanho e diversidade, com treino e val a partilharem o mesmo diretório.
- COCO-Seg completo: 118.287 imagens de treino — abrangente mas intensivo em termos de recursos, exigindo ~27 GB no primeiro download.
O COCO128-Seg oferece mais diversidade do que o COCO8-Seg, mantendo-se muito mais gerenciável do que o conjunto de dados COCO-Seg completo para experimentação e desenvolvimento inicial do modelo.