Conjunto de dados COCO8-Seg

Introdução

Ultralytics O COCO8-Seg é um conjunto de dados de segmentação de instâncias pequeno, mas versátil, 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 deteção. Com 8 imagens, é suficientemente pequeno para ser facilmente gerível, mas suficientemente diversificado para testar os pipelines de treino quanto a erros e funcionar como uma verificação de sanidade antes de treinar conjuntos de dados maiores.

Este conjunto de dados destina-se a ser utilizado com Ultralytics HUB e YOLOv8.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) é utilizado para definir a configuração do conjunto de dados. Contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. No caso do conjunto de dados COCO8-Seg, o ficheiro coco8-seg.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

# 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: ../datasets/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 treinar um modelo YOLOv8n-seg no conjunto de dados COCO8-Seg para 100 épocas com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para obter uma lista abrangente dos argumentos disponíveis, consulta a página de treino do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8-seg.yaml model=yolov8n-seg.pt epochs=100 imgsz=640

Exemplos de imagens e anotações

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

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

O exemplo mostra a variedade e complexidade das imagens no conjunto de dados COCO8-Seg e os benefícios da utilização de mosaicos durante o processo de formação.

Citações e agradecimentos

Se utilizares o conjunto de dados COCO no teu trabalho de investigação ou desenvolvimento, cita o seguinte documento:

@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 pela criação e manutenção deste valioso recurso para a comunidade da visão computacional. Para mais informações sobre o conjunto de dados COCO e os seus criadores, visita o sítio Web do conjunto de dados COCO.

FAQ

O que é o conjunto de dados COCO8-Seg e como é utilizado em Ultralytics YOLOv8 ?

O conjunto de dados COCO8-Seg é um conjunto de dados compacto de segmentação de instâncias criado por Ultralytics, que consiste nas primeiras 8 imagens do conjunto COCO train 2017 - 4 imagens para treino e 4 para validação. Este conjunto de dados foi concebido para testar e depurar modelos de segmentação ou experimentar novos métodos de deteção. É particularmente útil com o Ultralytics YOLOv8 e o HUB para uma iteração rápida e verificação de erros do pipeline antes de passar para conjuntos de dados maiores. Para uma utilização detalhada, consulta a página de treino do modelo.

Como posso treinar um modelo YOLOv8n-seg utilizando o conjunto de dados COCO8-Seg?

Para treinar um modelo YOLOv8n-seg no conjunto de dados COCO8-Seg para 100 épocas com um tamanho de imagem de 640, podes utilizar os comandos Python ou CLI . Aqui está um exemplo rápido:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-seg.pt")  # Load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8-seg.yaml model=yolov8n.pt epochs=100 imgsz=640

Para uma explicação detalhada dos argumentos disponíveis e das opções de configuração, podes consultar a documentação de formação.

Porque é que o conjunto de dados COCO8-Seg é importante para o desenvolvimento e a depuração de modelos?

O conjunto de dados COCO8-Seg é ideal pela sua capacidade de gestão e diversidade num tamanho reduzido. Consiste em apenas 8 imagens, proporcionando uma forma rápida de testar e depurar modelos de segmentação ou novas abordagens de deteção sem a sobrecarga de conjuntos de dados maiores. Isto faz com que seja uma ferramenta eficiente para verificações de sanidade e identificação de erros de pipeline antes de se comprometer com uma formação extensiva em grandes conjuntos de dados. Sabe mais sobre formatos de conjuntos de dados aqui.

Onde posso encontrar o ficheiro de configuração YAML para o conjunto de dados COCO8-Seg?

O ficheiro de configuração YAML para o conjunto de dados COCO8-Seg está disponível no repositório Ultralytics . Podes aceder ao ficheiro diretamente aqui. O arquivo YAML inclui informações essenciais sobre caminhos de conjuntos de dados, classes e definições de configuração necessárias para treinamento e validação de modelos.

Quais são as vantagens da utilização de mosaicos durante o treino com o conjunto de dados COCO8-Seg?

A utilização de mosaicos durante o treino ajuda a aumentar a diversidade e variedade de objectos e cenas em cada lote de treino. Esta técnica combina várias imagens numa única imagem composta, melhorando a capacidade do modelo de generalizar para diferentes tamanhos de objectos, proporções e contextos dentro da cena. O mosaico é benéfico para melhorar a robustez e a precisão de um modelo, especialmente quando se trabalha com pequenos conjuntos de dados como o COCO8-Seg. Para ver um exemplo de imagens em mosaico, consulta a secção Imagens de amostra e anotações.

Comentários