Набор данных COCO-Seg#

123,272

COCO 2017 Segmentation

ultralytics

publicSegment

COCO 2017 Segmentation is the canonical instance-segmentation benchmark across 80 everyday-object classes. Detailed polygons delineate objects in complex scenes with varied scale, crowding, occlusion, and context for standardized mask-quality evaluation.

80 classes11.6 GBSep 30, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

Набор данных COCO-Seg содержит маски сегментации экземпляров COCO (общие объекты в контексте): 118 287 изображений для обучения и 5 000 валидационных изображений с полигональными масками для 80 категорий объектов. Метки представлены в формате Ultralytics YOLO. В наборе используются исходные изображения COCO и собственные аннотации сегментации, преобразованные для обучения YOLO. Это важный ресурс для исследователей и разработчиков, работающих над задачами сегментации экземпляров.

Предварительно обученные модели COCO-Seg#

Основные особенности#

• COCO-Seg содержит маски сегментации экземпляров для 123 287 размеченных изображений COCO train2017/val2017 (118 287 для обучения + 5 000 для валидации) из более масштабного выпуска COCO объемом ~330 тыс. изображений.
• Набор данных включает те же 80 категорий объектов, что и исходный набор данных COCO.
• Аннотации содержат маски сегментации экземпляров в формате полигональных меток YOLO.
• COCO-Seg предоставляет стандартизированные метрики mAP и mAR для оценки качества сегментации экземпляров, позволяя эффективно сравнивать модели.
• Размер загрузки: ~20,3 ГБ при первом использовании (train2017.zip + val2017.zip + метки). Файл test2017.zip размером 7 ГБ не загружается автоматически, поскольку для этих изображений скрыты эталонные разметки и они нужны только для отправки результатов test-dev2017.

Структура набора данных#

Датасет COCO-Seg разделён на три подмножества:

1. Train2017: 118 287 изображений для обучения моделей сегментации экземпляров.
2. Val2017: 5 000 изображений для валидации при разработке модели.
3. Test-dev2017: 20 288 из 40 670 изображений test2017 для тестирования и сравнения моделей. Эталонные аннотации для этого подмножества недоступны публично, поэтому для оценки качества предсказания нужно отправить на сервер оценки COCO.

Для небольших экспериментов смотри подмножества COCO128-Seg (128 изображений) и COCO8-Seg (8 изображений).

Применение#

COCO-Seg широко используют для обучения и оценки моделей глубокого обучения на задачах сегментации экземпляров, например с моделями YOLO. Большое количество размеченных изображений, разнообразие категорий объектов и стандартизированные метрики оценки делают этот датасет незаменимым ресурсом для исследователей и специалистов в области компьютерного зрения. Полные аннотации COCO-Seg также можно просматривать и редактировать на платформе Ultralytics.

Файл YAML набора данных#

Для описания конфигурации датасета используется YAML-файл. В нём указаны пути к данным, классы и другая необходимая информация. Для датасета COCO-Seg файл coco.yaml размещён по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/detect/coco
# Example usage: yolo train data=coco.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco ← downloads here (20.3 GB)

# 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: coco # dataset root dir
train: train2017.txt # train images (relative to 'path') 118287 images
val: val2017.txt # val images (relative to 'path') 5000 images
test: test-dev2017.txt # 20288 of 40670 images, submit via https://cocodataset.org/#detection-eval

# 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: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  segments = True  # segment or box labels
  dir = Path(yaml["path"])  # dataset root dir
  urls = [ASSETS_URL + ("/coco2017labels-segments.zip" if segments else "/coco2017labels.zip")]  # labels
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the eval-server test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Использование#

Чтобы обучить модель YOLO26n-seg на датасете COCO-Seg в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Полный список доступных аргументов смотри на странице модели Обучение.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-seg.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="coco.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций#

В COCO-Seg представлены такие же разнообразные изображения, категории объектов и сложные сцены, как и в COCO, а маски сегментации экземпляров сохранены в формате меток YOLO. Ниже приведены примеры изображений из датасета и соответствующие им маски сегментации экземпляров:

• Изображение-мозаика: на этом изображении показан обучающий батч, составленный из изображений датасета, объединённых в мозаику. Мозаика — это метод, используемый при обучении: несколько изображений объединяются в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает модели обобщать данные для объектов разных размеров, соотношений сторон и контекстов.

Цитирование и благодарности#

Если ты используешь датасет COCO-Seg в исследованиях или разработке, укажи в цитировании оригинальную статью о COCO и отметь расширение COCO-Seg:

@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}
}

Благодарим консорциум COCO за создание и поддержку этого ценного ресурса для сообщества специалистов по компьютерному зрению. Подробнее о датасете COCO и его создателях смотри на сайте датасета COCO.

Часто задаваемые вопросы#