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. - Tamanho do download: ~1 MB.
Explora o COCO8-Seg na plataforma Ultralytics para navegar por cada imagem com as suas máscaras de polígono, visualizar a distribuição de classes e os mapas de calor de anotação no separador Charts, e cloná-lo para treinar o teu próprio modelo na cloud.
Link to this sectionYAML do Dataset#
Um arquivo YAML é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações 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 🚀 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.zipLink 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.
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 de segmentação de instâncias compacto da Ultralytics, consistindo nas primeiras 8 imagens do conjunto COCO train 2017 (4 para treino, 4 para validação). Este conjunto de dados é personalizado para testar e depurar modelos de segmentação ou experimentar novos métodos de deteção. É particularmente útil com o Ultralytics YOLO26 para iteração rápida e verificação de erros de pipeline antes de escalar para conjuntos de dados maiores. Para uma utilização detalhada, consulta a página de Treino 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?#
Como o loop de download e treino/val é muito mais pequeno do que o COCO completo, o COCO8-Seg permite-te executar uma passagem de treino e validação para detetar erros de pipeline — um carregador de dados corrompido, uma função de perda mal configurada ou uma má segmentação — antes de te comprometeres com um conjunto de dados maior. Sabe mais sobre formatos de conjuntos de dados suportados no guia de conjuntos de dados 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 sectionComo é que o COCO8-Seg se compara ao COCO128-Seg e ao conjunto de dados COCO-Seg completo?#
O COCO8-Seg (8 imagens) situa-se abaixo do COCO128-Seg (128 imagens) e do conjunto de dados COCO-Seg completo (118.287 imagens de treino) em termos de tamanho:
- COCO8-Seg: 8 imagens (4 de treino, 4 de val) — a verificação de sanidade mais rápida, ideal para CI e depuração rápida.
- COCO128-Seg: 128 imagens — equilibrado entre tamanho e diversidade, com treino e val a partilharem o mesmo diretório.
- COCO-Seg completo: 118.287 imagens de treino — abrangente mas intensivo em termos de recursos, exigindo ~27 GB no primeiro download.
Usa o COCO8-Seg para a verificação de pipeline mais rápida possível, depois escala para o COCO128-Seg ou para o conjunto de dados COCO-Seg completo à medida que a tua confiança aumenta.