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. O YAML padrão reutiliza o mesmo diretório para treino e validação, para que possas iterar rapidamente, mas podes duplicar ou personalizar a divisão, se desejado.
• 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 a ser utilizado com a Ultralytics Platform e YOLO26.

Link to this sectionYAML do Dataset#

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

Link 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.

O exemplo demonstra a variedade e complexidade das imagens no dataset COCO128-Seg e os benefícios de usar mosaico durante o processo de treinamento.

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 detalhada dos argumentos disponíveis e opções de configuração, podes consultar a documentação de Treinamento.

Link to this sectionPor que o dataset 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. O seu tamanho moderado permite iterações de treinamento rápidas, ao mesmo tempo que oferece diversidade suficiente para validar pipelines de treinamento antes de escalar para datasets maiores. Aprende mais sobre formatos de dataset suportados no guia de datasets 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 sectionQuais são alguns benefícios de usar mosaico durante o treinamento com o dataset COCO128-Seg?#

Usar mosaico durante o treinamento ajuda a aumentar a diversidade e variedade de objetos e cenas em cada lote de treinamento. Esta técnica combina várias imagens numa única imagem composta, aprimorando 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 datasets de tamanho moderado como o COCO128-Seg. Para um exemplo de imagens em mosaico, vê a seção Imagens de Exemplo e Anotações.