Conjunto de dados Cityscapes8#
Introdução#
O conjunto de dados Cityscapes8 da Ultralytics é um conjunto compacto de segmentação semântica com 8 imagens selecionadas do conjunto de dados Cityscapes: 4 para treinamento e 4 para validação. Ele foi projetado para testes rápidos, depuração e experimentação com modelos de segmentação semântica YOLO e pipelines de treinamento. Seu conteúdo de cenas urbanas permite verificar o pipeline antes de escalar para o conjunto de dados Cityscapes completo.
O Cityscapes8 utiliza as mesmas 19 classes de avaliação e o mesmo comportamento label_mapping que o conjunto de dados Cityscapes completo, sendo totalmente compatível com os fluxos de trabalho de segmentação semântica YOLO26.
O Cityscapes8 destina-se apenas a testar pipelines, não a fazer benchmarks — as suas 8 imagens são insuficientes para uma comparação significativa do mIoU. Utiliza o conjunto de validação completo do Cityscapes para obter resultados representativos.
Estrutura do conjunto de dados#
O Cityscapes8 replica a estrutura do conjunto de dados completo, sem uma divisão test:
cityscapes8/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── masks/
├── train/ # 4 single-channel PNG masks
└── val/ # 4 single-channel PNG masksAs máscaras são emparelhadas com as imagens através do campo masks_dir: masks, e label_mapping converte os IDs de rótulo de origem do Cityscapes nos 19 IDs de treino contíguos descritos na estrutura completa do conjunto de dados Cityscapes.
YAML do conjunto de dados#
A configuração do conjunto de dados Cityscapes8 está definida num ficheiro YAML, que especifica os caminhos do conjunto de dados, os nomes das classes e outros metadados essenciais. Podes consultar o ficheiro oficial cityscapes8.yaml no repositório GitHub da Ultralytics. O YAML inclui um URL de transferência para o pequeno subconjunto empacotado.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
# └── cityscapes8 ← downloads here (small subset)
# └── images
# └── masks
# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
masks_dir: masks # semantic mask directory
# Cityscapes 19-class labels
names:
0: road
1: sidewalk
2: building
3: wall
4: fence
5: pole
6: traffic light
7: traffic sign
8: vegetation
9: terrain
10: sky
11: person
12: rider
13: car
14: truck
15: bus
16: train
17: motorcycle
18: bicycle
# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
-1: ignore_label
0: ignore_label
1: ignore_label
2: ignore_label
3: ignore_label
4: ignore_label
5: ignore_label
6: ignore_label
7: 0
8: 1
9: ignore_label
10: ignore_label
11: 2
12: 3
13: 4
14: ignore_label
15: ignore_label
16: ignore_label
17: 5
18: ignore_label
19: 6
20: 7
21: 8
22: 9
23: 10
24: 11
25: 12
26: 13
27: 14
28: 15
29: ignore_label
30: ignore_label
31: 16
32: 17
33: 18
# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zipUso#
Para treinar um modelo YOLO26n-sem no conjunto de dados Cityscapes8 durante 100 épocas, com um tamanho de imagem de 1024, utiliza os exemplos seguintes. Para ver a lista completa de opções de treino, consulta a documentação de treino do YOLO.
from ultralytics import YOLO
# Carrega um modelo YOLO26n-sem pré-treinado
model = YOLO("yolo26n-sem.pt")
# Treina o modelo com Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)Também podes gerir o Cityscapes8 e treinar modelos de segmentação semântica na nuvem com a Ultralytics Platform.
Citações, licença e agradecimentos#
O Cityscapes8 é um subconjunto do Cityscapes, disponibilizado ao abrigo de uma licença personalizada para uso não comercial — consulta a página completa do conjunto de dados Cityscapes para obteres mais informações.
Se utilizares o conjunto de dados Cityscapes na tua investigação ou desenvolvimento, cita o seguinte artigo:
@inproceedings{Cordts2016Cityscapes,
title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
year={2016}
}Agradecemos especialmente à equipa Cityscapes pelas suas contribuições contínuas para as comunidades de condução autónoma e visão por computador.
Perguntas frequentes#
O conjunto de dados Cityscapes8 da Ultralytics foi concebido para testar e depurar rapidamente modelos de segmentação semântica. Com apenas 8 imagens (4 para treino e 4 para validação), é ideal para verificar pipelines de segmentação semântica YOLO, incluindo o carregamento de máscaras, aumentos de dados, validação e exportação, antes de passar para o conjunto de dados Cityscapes completo. Consulta a configuração YAML do Cityscapes8 para obteres mais informações.
O Cityscapes8 seleciona 8 imagens (4 de treino e 4 de validação) da divisão do Cityscapes com 2.975 imagens de treino e 500 de validação, utilizando as mesmas 19 classes e
label_mapping. Assim, um pipeline que funcione com Cityscapes8 funciona sem alterações com o conjunto completo — basta apontardata=paracityscapes.yamlem vez decityscapes8.yaml. Ao contrário do conjunto completo, o Cityscapes8 não requer transferência manual nem tem uma divisãotest.Podes treinar um modelo de segmentação semântica YOLO26 com Cityscapes8 utilizando Python ou a CLI:
Exemplo de treinofrom ultralytics import YOLO # Carrega um modelo YOLO26n-sem pré-treinado model = YOLO("yolo26n-sem.pt") # Treina o modelo com Cityscapes8 results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)Para ver mais opções de treinamento, consulta a documentação de treinamento YOLO.
Não. O Cityscapes8 é demasiado pequeno para uma comparação significativa entre modelos e destina-se a verificar pipelines de treino e avaliação. Utiliza o conjunto de validação completo do Cityscapes quando precisares de resultados representativos de benchmarks de segmentação semântica.