Começar

Conjunto de dados COCO8-Seg

Introdução#

O COCO8-Seg da Ultralytics é um pequeno conjunto de dados de segmentação de instâncias composto pelas primeiras 8 imagens do conjunto COCO train 2017: 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 segmentação. Com 8 imagens, é suficientemente pequeno para ser fácil de gerir, mas também suficientemente diversificado para testar pipelines de treino à procura de erros e servir como verificação básica antes de treinar conjuntos de dados maiores.

Estrutura do conjunto de dados#

  • Imagens: 8 no total (4 train / 4 val).
  • Classes: 80 categorias do COCO.
  • Rótulos: polígonos no formato YOLO armazenados em labels/{train,val}, correspondentes a cada arquivo de imagem.
  • Tamanho do download: ~1 MB.

Explore o COCO8-Seg na Ultralytics Platform para navegar por todas as imagens com suas máscaras poligonais, ver a distribuição de classes e os mapas de calor das anotações na aba Charts e clonar o conjunto para treinar seu próprio modelo na nuvem.

YAML do conjunto de dados#

Um arquivo YAML é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, as classes e outros dados relevantes do conjunto de dados. 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/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

Uso#

Para treinar um modelo YOLO26n-seg no conjunto de dados COCO8-Seg durante 100 épocas, com tamanho de imagem 640, podes utilizar os seguintes exemplos de código.

Exemplo de treino
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n-seg.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

Veja alguns exemplos de imagens do conjunto de dados COCO8-Seg e suas anotações correspondentes:

COCO8-seg instance segmentation dataset mosaic
  • Imagem em mosaico: esta imagem mostra um lote de treinamento composto por imagens do conjunto de dados organizadas em mosaico. A criação de mosaicos é uma técnica usada durante o treinamento que combina várias imagens numa só para aumentar a variedade de objetos e cenas em cada lote de treinamento. Isso ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

Citações e agradecimentos#

Se usares o conjunto de dados COCO no teu trabalho de pesquisa ou desenvolvimento, cita o seguinte artigo:

Citação
@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 por criar e manter este valioso recurso para a comunidade de visão computacional. Para mais informações sobre o conjunto de dados COCO e os seus criadores, visita o site do conjunto de dados COCO.

Perguntas frequentes#

  • O conjunto de dados COCO8-Seg é um conjunto compacto de dados de segmentação de instâncias da Ultralytics, composto pelas primeiras 8 imagens do conjunto COCO train 2017 (4 para treino e 4 para validação). Este conjunto foi concebido para testar e depurar modelos de segmentação ou experimentar novos métodos de segmentação. É particularmente útil com o Ultralytics YOLO26 para iterar rapidamente e verificar erros nos pipelines antes de aumentar a escala para conjuntos de dados maiores.

  • Para treinar um modelo YOLO26n-seg no conjunto de dados COCO8-Seg por 100 épocas, com tamanho de imagem 640, você pode usar comandos Python ou CLI. Veja um exemplo rápido:

    Exemplo de treino
    from ultralytics import YOLO
    
    # Carregar um modelo
    model = YOLO("yolo26n-seg.pt")  # Carregue um modelo pré-treinado (recomendado para treinamento)
    
    # Treinar o modelo
    results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

    Para obter uma explicação completa dos argumentos disponíveis e das opções de configuração, consulte a documentação de treinamento.

  • Como o download e o ciclo de treinamento/validação são muito menores do que no COCO completo, o COCO8-Seg permite executar uma etapa de treinamento e validação para detectar erros no pipeline — como um carregador de dados com defeito, uma função de perda mal configurada ou um aumento de dados inadequado — antes de começar a trabalhar com um conjunto de dados maior. Saiba mais sobre os formatos de conjuntos de dados compatíveis no guia de conjuntos de dados de segmentação da Ultralytics.

  • O arquivo de configuração YAML do 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 os caminhos e as classes do conjunto de dados, além das configurações necessárias para o treinamento e a validação do modelo.

  • Em termos de tamanho, o COCO8-Seg (8 imagens) é menor que o COCO128-Seg (128 imagens) e o conjunto de dados COCO-Seg completo (118.287 imagens de treinamento):

    • COCO8-Seg: 8 imagens (4 train, 4 val) — a verificação básica mais rápida, ideal para CI e depuração rápida.
    • COCO128-Seg: 128 imagens — equilíbrio entre tamanho e diversidade, com train e val compartilhando o mesmo diretório.
    • COCO-Seg completo: 118.287 imagens de treinamento — abrangente, mas exige muitos recursos e cerca de ~20 GB no primeiro download.

    Use o COCO8-Seg para verificar o pipeline o mais rápido possível e, à medida que ganhar confiança, amplie para o COCO128-Seg ou para o conjunto de dados COCO-Seg completo.

Comentários6

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. kh-diabGitHub

    Hello I am struggling because I followed the same coco format in the yaml file but still get this error

    Epoch GPU_mem box_loss seg_loss cls_loss dfl_loss Instances Size

    0%| | 0/2 [00:00<?, ?it/s] Traceback (most recent call last): File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/ultralytics/utils/loss.py", line 289, in call targets = torch.cat((batch_idx, batch["cls"].view(-1, 1), batch["bboxes"]), 1) RuntimeError: Sizes of tensors must match except in dimension 1. Expected size 66 but got size 0 for tensor number 1 in the list.

    The above exception was the direct cause of the following exception:

    Traceback (most recent call last): File "/home/kdiab/Documents/OST/workspace/dataset/coding/Train_Model/train segment model V6.0.py", line 33, in results =model.train( File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/ultralytics/engine/model.py", line 652, in train self.trainer.train() File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/ultralytics/engine/trainer.py", line 204, in train self._do_train(world_size) File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/ultralytics/engine/trainer.py", line 381, in _do_train self.loss, self.loss_items = self.model(batch) File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1532, in _wrapped_call_impl return self._call_impl(*args, **kwargs) File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/torch/nn/modules/module.py", line 1541, in _call_impl return forward_call(*args, **kwargs) File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/ultralytics/nn/tasks.py", line 101, in forward return self.loss(x, *args, **kwargs) File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/ultralytics/nn/tasks.py", line 283, in loss return self.criterion(preds, batch) File "/home/kdiab/.conda/envs/yolov8/lib/python3.10/site-packages/ultralytics/utils/loss.py", line 294, in call raise TypeError( TypeError: ERROR ❌ segment dataset incorrectly formatted or not a segment dataset. This error can occur when incorrectly training a 'segment' model on a 'detect' dataset, i.e. 'yolo train model=yolov8n-seg.pt data=coco8.yaml'. Verify your dataset is a correctly formatted 'segment' dataset using 'data=coco8-seg.yaml' as an example.

    and this is my yaml file

    Ultralytics YOLO , AGPL-3.0 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: /home/kdiab/Documents/OST/workspace/dataset/model_train/Group-C-tiny-Segment # dataset root dir train: /home/kdiab/Documents/OST/workspace/dataset/model_train/Group-C-tiny-Segment/images/train # train images (relative to 'path') 4 images val: /home/kdiab/Documents/OST/workspace/dataset/model_train/Group-C-tiny-Segment/images/val # val images (relative to 'path') 4 images test: # test images (optional)

    Classes

    names: 0: weed 1: rumex

    and I am using model model = YOLO('yolov8x-seg.pt')

    my labeled files is as follows

    0 0.094970703125 0.46401098901098903 0.09033203125 0.160989010989011 0 0.07861328125 0.46153846153846156 0.0556640625 0.03296703296703297 0 0.116943359375 0.43763736263736264 0.02783203125 0.036813186813186814

    can you please advise what is the error

    1. Glenn JocherUltralytics

      @kh-diab it looks like the error you're encountering is due to a mismatch in the dataset format. Ensure that your dataset is correctly formatted for segmentation. Verify that your label files contain segmentation masks and not just bounding boxes. Also, make sure you are using the latest version of the Ultralytics package. If the issue persists, please check the dataset structure against the COCO8-Seg example provided in the documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg/. This should help resolve the formatting issue.

  2. Mauricio566GitHub

    I really love their material. I have a question please help me. If the annotations of an image for a detection problem look like this... 1 0.5302913188934326 0.5031314492225647 0.2403690367937088 0.34829962253570557 So what does the annotation of a segmented image look like? because in the dataset I did not understand the annotation and you could help me understand this process. thank you

    1. Glenn JocherUltralytics

      @Mauricio566 hello! Thanks for your kind words and for reaching out with your question. 🌟

      For instance segmentation, unlike detection annotations which typically include class labels and bounding box coordinates (x_center, y_center, width, height), segmentation annotations are more complex. They include polygonal annotations or masks that precisely outline the object within an image.

      In datasets like COCO, each segmented object in an image will have a corresponding mask defined by a set of polygon points. These points outline the exact shape of the object rather than just a bounding rectangle. This allows for a more accurate and detailed representation, especially useful for applications requiring precise object localization and shape delineation.

      If you're working with the COCO8-Seg dataset, the annotations will include these detailed masks for each object in the images. You can view these annotations in the JSON format provided with the dataset, where each object's mask is represented as a series of coordinates outlining the object.

      I hope this helps clarify the difference! If you have any more questions or need further assistance, feel free to ask. Happy coding! 😊

      1
    2. jotar25GitHub

      this is actually not clear, should i separate masked color to multiple images? what is it the processs to generate labels from multi mask image?

    3. Glenn JocherUltralytics

      Hi @jotar25,

      Thank you for your question! 😊 Let's clarify the process for generating labels from multi-mask images for instance segmentation.

      In instance segmentation, each object in an image is annotated with a mask that precisely outlines its shape. These masks are typically represented as polygons or binary masks. Here's a step-by-step overview of the process:

      1. Separate Masks for Each Object: Each object in the image should have its own mask. If you have a multi-mask image where different objects are represented by different colors, you will need to separate these into individual masks.

      2. Polygon Annotations: For datasets like COCO, the masks are often stored as polygons. Each polygon is a list of coordinates that outline the object. These coordinates are stored in the dataset's annotation file (e.g., a JSON file for COCO).

      3. Binary Masks: Alternatively, masks can be stored as binary images where the pixels belonging to an object are set to 1, and all other pixels are set to 0. Each object will have a separate binary mask.

      4. Annotation Format: In the COCO format, each annotation includes:

        • segmentation: A list of polygons for the object.
        • bbox: The bounding box of the object.
        • category_id: The class of the object.
        • image_id: The ID of the image.

      Here's an example of how a COCO annotation might look:

      {
        "segmentation": [[x1, y1, x2, y2, ..., xn, yn]],
        "bbox": [x, y, width, height],
        "category_id": 1,
        "image_id": 123
      }
      Example Code for Generating Binary Masks

      If you have a multi-mask image and need to generate individual binary masks, you can use the following Python code snippet:

      import cv2
      import numpy as np
      
      # Load the multi-mask image
      multi_mask_image = cv2.imread('multi_mask_image.png')
      
      # Assume each object is represented by a unique color
      unique_colors = np.unique(multi_mask_image.reshape(-1, multi_mask_image.shape[2]), axis=0)
      
      # Create binary masks for each unique color
      binary_masks = []
      for color in unique_colors:
          mask = cv2.inRange(multi_mask_image, color, color)
          binary_masks.append(mask)
      
      # Save or process the binary masks
      for i, mask in enumerate(binary_masks):
          cv2.imwrite(f'binary_mask_{i}.png', mask)

      For more detailed information on the COCO8-Seg dataset and how to work with it, please refer to the COCO8-Seg Dataset Documentation.

      I hope this helps! If you have any more questions or need further assistance, feel free to ask. Happy coding! 🚀