Набор данных COCO-Seg#

123,272

COCO 2017 Segmentation

ultralytics

publicSegment

COCO 2017 instance segmentation benchmark with 123,272 unique train and validation images and 886,142 polygon annotations across 80 classes. Includes official train2017 and val2017 splits with exact and canonical duplicate source images normalized to one retained image. Licensed CC BY 4.0.

80 classes11.6 GBAug 22, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocococo2017+1

Датасет COCO-Seg предоставляет маски сегментации экземпляров COCO (Common Objects in Context) — 118 287 изображений для обучения и 5 000 для валидации с полигональными масками для 80 категорий объектов — в формате меток Ultralytics YOLO. Он использует исходные изображения COCO и родные аннотации сегментации, преобразованные для обучения YOLO, что делает его важнейшим ресурсом для исследователей и разработчиков, работающих над задачами сегментации экземпляров.

Предобученные модели COCO-Seg#

Ключевые особенности#

• COCO-Seg предоставляет маски instance segmentation для 123 287 размеченных изображений COCO train2017/val2017 (118 287 для обучения + 5 000 для валидации) из более широкого выпуска COCO, насчитывающего ~330 тысяч изображений.
• Набор данных состоит из тех же 80 категорий объектов, что и в оригинальном наборе данных COCO.
• Аннотации содержат маски instance segmentation в формате полигональной разметки YOLO.
• COCO-Seg предоставляет стандартизированные метрики mAP и mAR для оценки эффективности instance segmentation, что позволяет эффективно сравнивать результаты работы моделей.
• Размер загрузки: ~20,3 ГБ при первом использовании (train2017.zip + val2017.zip + метки). 7 ГБ test2017.zip не загружаются автоматически, так как эти изображения имеют скрытую разметку истины и нужны только для отправки в test-dev2017.

Структура набора данных#

Набор данных COCO-Seg разделен на три подмножества:

1. Train2017: 118 287 изображений для обучения моделей instance segmentation.
2. Val2017: 5 000 изображений, используемых для валидации в процессе разработки моделей.
3. Test-dev2017: 20 288 из 40 670 изображений test2017, используемых для бенчмаркинга. Аннотации с истинными данными для этого подмножества недоступны публично, поэтому предсказания необходимо отправлять на сервер оценки COCO для получения баллов.

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

Применение#

COCO-Seg широко используется для обучения и оценки моделей глубокого обучения для сегментации экземпляров, таких как модели YOLO. Большое количество аннотированных изображений, разнообразие категорий объектов и стандартизированные метрики оценки делают его незаменимым ресурсом для исследователей и практиков в области компьютерного зрения. Полные аннотации COCO-Seg также можно просматривать и обрабатывать на платформе Ultralytics.

YAML набора данных#

Файл YAML используется для определения конфигурации датасета. Он содержит информацию о путях к датасету, классах и другие важные данные. В случае с датасетом COCO-Seg файл coco.yaml поддерживается 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, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-seg.pt")  # load a pretrained model (recommended for training)

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

Примеры изображений и аннотации#

COCO-Seg содержит те же разнообразные изображения, категории объектов и сложные сцены, что и COCO, с масками instance segmentation, представленными в формате разметки YOLO. Ниже приведены некоторые примеры изображений из набора данных вместе с соответствующими масками instance segmentation:

• Изображение в виде мозаики: Это изображение демонстрирует обучающий батч, состоящий из соединенных в мозаику изображений датасета. Мозаичное объединение — это метод, используемый во время обучения, который объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает модели лучше обобщать данные для объектов разного размера, соотношений сторон и контекстов.

Цитирование и благодарности#

Если ты используешь набор данных COCO-Seg в своей исследовательской или проектной работе, пожалуйста, сошлися на оригинальную статью COCO и укажи на расширение до 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}
}

Мы выражаем благодарность консорциуму COCO за создание и поддержание этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о датасете COCO и его создателях посетите веб-сайт датасета COCO.

FAQ#