Dataset COCO8-Seg#

8

coco8-seg

ultralytics

publicSegment

COCO8-Seg is Ultralytics' minimal instance-segmentation smoke-test set: four training and four validation images sampled from COCO 2017. Real polygons and the 80-class taxonomy enable rapid validation of mask loading, augmentation, training, and export.

280 classes837.5 KBSep 2, 2026

personbicyclecarmotorcycle+76

Introdução#

O Ultralytics COCO8-Seg é um dataset de segmentação de instâncias pequeno, mas versátil, composto pelas primeiras 8 imagens do conjunto COCO train 2017, sendo 4 para treino e 4 para validação. Este dataset é ideal para testar e depurar modelos de segmentação ou experimentar novas abordagens de deteção. Com 8 imagens, é suficientemente pequeno para ser facilmente gerido, mas também suficientemente diversificado para testar pipelines de treino à procura de erros e servir como verificação de sanidade antes do treino com datasets maiores.

Estrutura do Conjunto de Dados#

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

Explora o COCO8-Seg na Ultralytics Platform para consultar todas as imagens com as respetivas máscaras poligonais, ver a distribuição das classes e os mapas de calor das anotações no separador Charts e cloná-lo para treinares o teu próprio modelo na cloud.

YAML do Conjunto de Dados#

É utilizado um ficheiro YAML para definir a configuração do dataset. Este contém informações sobre os caminhos, as classes e outras informações relevantes do dataset. No caso do dataset COCO8-Seg, o ficheiro 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

Utilização#

Para treinares um modelo YOLO26n-seg no dataset COCO8-Seg durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes trechos de código. Para obteres uma lista completa dos argumentos disponíveis, consulta a página de Treino 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)

Imagens de exemplo e anotações#

Eis alguns exemplos de imagens do dataset COCO8-Seg, juntamente com as respetivas anotações:

• Imagem em mosaico: esta imagem demonstra um lote de treino composto por imagens do dataset combinadas em mosaico. A combinação em mosaico é uma técnica utilizada durante o treino que combina várias imagens numa única imagem para aumentar a variedade de objetos e cenas em cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

Citações e agradecimentos#

Se utilizares o dataset COCO no teu trabalho de investigação ou desenvolvimento, 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 pela criação e manutenção deste valioso recurso para a comunidade de visão computacional. Para obter mais informações sobre o conjunto de dados COCO e os seus criadores, visite o site do conjunto de dados COCO.

Perguntas frequentes#