Link to this sectionConjunto de dados COCO8-Seg#

Link to this sectionIntrodução#

O COCO8-Seg da Ultralytics é um pequeno, mas versátil, conjunto de dados de segmentação de instâncias composto pelas primeiras 8 imagens do conjunto COCO train 2017, sendo 4 para treino e 4 para validação. Este conjunto de dados é ideal para testar e depurar modelos de segmentação ou para experimentar novas abordagens de detecção. Com 8 imagens, ele é pequeno o suficiente para ser facilmente gerenciável, mas diverso o bastante para testar pipelines de treinamento em busca de erros e atuar como uma verificação de integridade antes de treinar conjuntos de dados maiores.

Link to this sectionEstrutura do Dataset#

• Imagens: 8 no total (4 treino / 4 val).
• Classes: 80 categorias COCO.
• Labels: polígonos no formato YOLO armazenados em labels/{train,val} correspondendo a cada arquivo de imagem.

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 conjunto de dados. Ele contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. No caso do conjunto de dados COCO8-Seg, o arquivo coco8-seg.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zip

Link to this sectionUso#

Para treinar um modelo YOLO26n-seg no conjunto de dados COCO8-Seg por 100 épocas com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista abrangente 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="coco8-seg.yaml", epochs=100, imgsz=640)

Link to this sectionExemplos de Imagens e Anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados COCO8-Seg, juntamente com suas anotações correspondentes:

• 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 mostra a variedade e a complexidade das imagens no conjunto de dados COCO8-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 conjunto de dados COCO8-Seg e como ele é usado no Ultralytics YOLO26?#

O conjunto de dados COCO8-Seg é um conjunto de dados compacto de segmentação de instâncias da Ultralytics, consistindo nas primeiras 8 imagens do conjunto COCO train 2017 — 4 imagens para treino e 4 para validação. Este conjunto de dados é adaptado para testar e depurar modelos de segmentação ou experimentar novos métodos de detecção. Ele é particularmente útil com o Ultralytics YOLO26 e a Plataforma para iteração rápida e verificação de erros no pipeline antes de escalar para conjuntos de dados maiores. Para uso detalhado, consulte a página de Treinamento do modelo.

Link to this sectionComo posso treinar um modelo YOLO26n-seg usando o conjunto de dados COCO8-Seg?#

Para treinar um modelo YOLO26n-seg no conjunto de dados COCO8-Seg por 100 épocas com um tamanho de imagem de 640, você pode 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="coco8-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 conjunto de dados COCO8-Seg é importante para o desenvolvimento e depuração de modelos?#

O COCO8-Seg dataset oferece um conjunto compacto, porém diversificado, de 8 imagens, tornando-o perfeito para testar e depurar rapidamente modelos de segmentação ou experimentar novas técnicas de deteção. O seu tamanho reduzido permite verificações rápidas e a validação inicial do pipeline, ajudando a identificar problemas antes de escalar para datasets maiores. Sabe mais sobre os 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 conjunto de dados COCO8-Seg?#

O arquivo de configuração YAML para o conjunto de dados COCO8-Seg está disponível no repositório da Ultralytics. Você pode acessar o arquivo diretamente em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. O arquivo YAML inclui informações essenciais sobre caminhos do conjunto de dados, classes e configurações necessárias para treinamento e validação do modelo.

Link to this sectionQuais são alguns benefícios de usar mosaico durante o treinamento com o conjunto de dados COCO8-Seg?#

Usar mosaico durante o treinamento ajuda a aumentar a diversidade e a variedade de objetos e cenas em cada lote de treinamento. Essa técnica combina várias imagens em uma 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 do modelo, especialmente ao trabalhar com conjuntos de dados pequenos como o COCO8-Seg. Para um exemplo de imagens em mosaico, veja a seção Imagens de Exemplo e Anotações.