Conjunto de dados Cityscapes8#
Introdução#
O conjunto de dados Ultralytics Cityscapes8 é um conjunto de dados compacto de segmentação semântica com 8 imagens amostradas do conjunto de dados Cityscapes: 4 para treino e 4 para validação. Ele foi concebido para testes rápidos, depuração e experimentação com modelos de segmentação semântica e pipelines de treino do YOLO. O seu conteúdo de cenas urbanas fornece uma verificação útil do pipeline antes de passar para o conjunto de dados Cityscapes completo.
O Cityscapes8 utiliza as mesmas 19 classes de avaliação e o mesmo comportamento de label_mapping do conjunto de dados Cityscapes completo, sendo totalmente compatível com os fluxos de trabalho de segmentação semântica do YOLO26.
O Cityscapes8 destina-se apenas a testes de pipelines, e não a avaliações comparativas — as suas 8 imagens são demasiado poucas para uma comparação significativa de mIoU. Utiliza o conjunto de validação completo do Cityscapes para obteres resultados representativos.
Estrutura do Dataset#
O Cityscapes8 espelha 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 originais do Cityscapes nos 19 IDs de treino contíguos descritos na estrutura do conjunto de dados Cityscapes completa.
YAML do Dataset#
A configuração do conjunto de dados Cityscapes8 está definida num ficheiro YAML de conjunto de dados, 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 ficheiro 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 seguintes exemplos. Para uma lista completa de opções de treino, consulta a documentação de treino do 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)Também podes gerir o Cityscapes8 e treinar modelos de segmentação semântica na nuvem com a Ultralytics Platform.
Citações, Licença e Agradecimentos#
O Cityscapes8 é amostrado a partir do Cityscapes, que é lançado sob uma licença personalizada não comercial — consulta a página do conjunto de dados Cityscapes completa para obteres detalhes.
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}
}Um agradecimento especial à equipa do Cityscapes pelas suas contribuições contínuas para as comunidades de condução autónoma e visão computacional.
FAQ#
O conjunto de dados Ultralytics Cityscapes8 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 os pipelines de segmentação semântica do YOLO, incluindo o carregamento de máscaras, aumentos, validação e caminhos de exportação, antes de passar para o conjunto de dados Cityscapes completo. Explora a configuração YAML do Cityscapes8 para mais detalhes.
O Cityscapes8 recolhe 8 imagens (4 de treino, 4 de validação) da divisão de 2.975 de treino/500 de validação do Cityscapes, utilizando as mesmas 19 classes e
label_mapping, pelo que um pipeline que é executado no Cityscapes8 é executado sem modificações no conjunto de dados completo — basta apontardata=paracityscapes.yamlem vez decityscapes8.yaml. Ao contrário do conjunto de dados completo, o Cityscapes8 não tem nenhum passo de transferência manual nem nenhuma divisãotest.Você pode treinar um modelo de segmentação semântica YOLO26 no Cityscapes8 usando Python ou a CLI:
Exemplo de Treinamentofrom 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.
Não. O Cityscapes8 é demasiado pequeno para uma comparação significativa de modelos e destina-se a verificações de pipelines de treino e avaliação. Utiliza o conjunto de validação do Cityscapes completo quando precisares de resultados de avaliação comparativa representativos para segmentação semântica.