Conjunto de dados COCO8-Seg
Introdução
O Ultralytics COCO8-Seg é um pequeno, porém 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 suficiente para testar pipelines de treinamento em busca de erros e atuar como uma verificação de integridade antes de treinar conjuntos de dados maiores.
Estrutura do Dataset
- Imagens: 8 no total (4 treino / 4 val).
- Classes: 80 categorias COCO.
- Rótulos: polígonos no formato YOLO armazenados em
labels/{train,val}correspondendo a cada arquivo de imagem.
Este conjunto de dados destina-se ao uso com a Plataforma Ultralytics e YOLO26.
YAML 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.zipUtilização
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)Amostra 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 técnica de mosaico é um método utilizado durante o treino que combina várias imagens numa única 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 objetos, 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.
Citações e Agradecimentos
Se utilizares o conjunto de dados COCO no teu trabalho de investigação ou desenvolvimento, por favor cita 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 Consórcio COCO por criar e manter este recurso valioso para a comunidade de visão computacional. Para mais informações sobre o conjunto de dados COCO e seus criadores, visite o site do conjunto de dados COCO.
FAQ
O 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 treinamento 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 Platform 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.
Como 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 Python ou comandos 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 detalhada dos argumentos disponíveis e opções de configuração, você pode verificar a documentação de Treinamento.
Por que o conjunto de dados COCO8-Seg é importante para o desenvolvimento e depuração de modelos?
O conjunto de dados COCO8-Seg oferece um conjunto compacto, porém diverso, de 8 imagens, tornando-o perfeito para testar e depurar rapidamente modelos de segmentação ou experimentar novas técnicas de detecção. Seu tamanho pequeno permite verificações de integridade rápidas e validação antecipada do pipeline, ajudando a identificar problemas antes de escalar para conjuntos de dados maiores. Saiba mais sobre os formatos de conjunto de dados suportados no guia de conjunto de dados de segmentação Ultralytics.
Onde 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 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 o treinamento e validação do modelo.
Quais 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, 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 pequenos como o COCO8-Seg. Para um exemplo de imagens em mosaico, veja a seção Imagens de Exemplo e Anotações.