Link to this sectionConjunto de dados Cityscapes8#

Link to this sectionIntrodução#

O conjunto de dados Cityscapes8 da Ultralytics é um conjunto de dados compacto de segmentação semântica com 8 imagens retiradas do conjunto de dados Cityscapes: 4 para treino e 4 para validação. Foi concebido para testes rápidos, depuração e experimentação com modelos de segmentação semântica YOLO e pipelines de treino. O seu conteúdo de cenas urbanas proporciona uma verificação útil do pipeline antes de escalar para o conjunto de dados Cityscapes completo.

O Cityscapes8 usa as mesmas 19 classes de avaliação e o mesmo comportamento de label_mapping do conjunto de dados Cityscapes completo, e é totalmente compatível com fluxos de trabalho de segmentação semântica YOLO26.

Link to this sectionYAML do Dataset#

A configuração do conjunto de dados Cityscapes8 é definida em um arquivo YAML de conjunto de dados, que especifica caminhos de dados, nomes de classes e outros metadados essenciais. Você pode revisar o arquivo cityscapes8.yaml oficial no repositório GitHub da Ultralytics. O YAML inclui um URL de download 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.zip

Link to this sectionUso#

Para treinar um modelo YOLO26n-sem no conjunto de dados Cityscapes8 por 100 épocas com um tamanho de imagem de 1024, use os seguintes exemplos. Para uma lista completa de opções de treinamento, consulte a documentação de treinamento YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Link to this sectionCitações e Agradecimentos#

Se você usar o conjunto de dados Cityscapes em sua pesquisa ou desenvolvimento, cite 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}
}

Agradecimentos especiais à equipe Cityscapes por suas contribuições contínuas às comunidades de direção autônoma e visão computacional.

Link to this sectionFAQ#

Link to this sectionPara que serve o conjunto de dados Cityscapes8 da Ultralytics?#

O conjunto de dados Cityscapes8 da Ultralytics foi concebido para testes rápidos e depuração de modelos de segmentação semântica. Com apenas 8 imagens (4 para treino, 4 para validação), é ideal para verificar pipelines de segmentação semântica YOLO, incluindo o carregamento de máscaras, aumentações, validação e caminhos de exportação, antes de escalar para o conjunto de dados Cityscapes completo. Explora a configuração YAML do Cityscapes8 para mais detalhes.

Link to this sectionComo treino um modelo YOLO26 usando o conjunto de dados Cityscapes8?#

Você pode treinar um modelo de segmentação semântica YOLO26 no Cityscapes8 usando Python ou a CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Para opções de treino adicionais, consulta a documentação de treino YOLO.

Link to this sectionDevo usar o Cityscapes8 para benchmarking?#

Não. O Cityscapes8 é muito pequeno para uma comparação de modelos significativa e destina-se a verificações de pipelines de treinamento e avaliação. Use o conjunto de validação Cityscapes completo quando precisar de resultados de referência representativos para segmentação semântica.