Перейти к содержанию

Набор данных COCO128-Seg

Введение

Ultralytics COCO128-Seg — это небольшой, но универсальный набор данных instance segmentation, состоящий из первых 128 изображений из набора COCO train 2017. Этот набор данных идеально подходит для тестирования и отладки моделей segmentation или для экспериментов с новыми подходами к detect. Благодаря 128 изображениям он достаточно мал, чтобы им было легко управлять, но достаточно разнообразен, чтобы протестировать конвейеры обучения на наличие ошибок и действовать в качестве проверки работоспособности перед обучением на больших наборах данных.

Структура набора данных

  • Изображения: Всего 128. YAML по умолчанию повторно использует один и тот же каталог для обучения и валидации, поэтому вы можете быстро выполнять итерации, но при желании вы можете дублировать или настроить разделение.
  • Классы: Те же 80 категорий объектов, что и в COCO.
  • Метки: Полигоны в формате YOLO, сохраненные рядом с каждым изображением внутри labels/{train,val}.

Этот набор данных предназначен для использования с Ultralytics HUB и YOLO11.

YAML-файл набора данных

Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях, классах и другой важной информации о наборе данных. В случае набора данных COCO128-Seg, coco128-seg.yaml файл поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.

ultralytics/cfg/datasets/coco128-seg.yaml

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

# COCO128-seg dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128-seg ← downloads here (7 MB)

# 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: coco128-seg # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128-seg.zip

Использование

Для обучения модели YOLO11n-seg на наборе данных COCO128-Seg в течение 100 эпох с размером изображения 640 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице Обучение модели.

Пример обучения

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Примеры изображений и аннотации

Вот несколько примеров изображений из набора данных COCO128-Seg вместе с соответствующими аннотациями:

Образец изображения набора данных

  • Скомпилированное изображение: Это изображение демонстрирует пакет обучения, состоящий из скомпилированных изображений набора данных. Компиляция — это метод, используемый во время обучения, который объединяет несколько изображений в одно изображение, чтобы увеличить разнообразие объектов и сцен в каждом пакете обучения. Это помогает улучшить способность модели обобщать различные размеры объектов, соотношения сторон и контексты.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных COCO128-Seg, а также преимущества использования мозаики в процессе обучения.

Цитирование и благодарности

Если вы используете набор данных COCO в своей исследовательской или опытно-конструкторской работе, пожалуйста, сошлитесь на следующую статью:

@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 хотели бы выразить благодарность COCO Consortium за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных COCO и его создателях посетите веб-сайт набора данных COCO.

Часто задаваемые вопросы

Что такое набор данных COCO128-Seg и как он используется в Ultralytics YOLO11?

COCO128-Seg dataset — это компактный датасет для сегментации экземпляров от Ultralytics, состоящий из первых 128 изображений из набора COCO train 2017. Этот набор данных предназначен для тестирования и отладки моделей сегментации или экспериментов с новыми методами detect. Он особенно полезен с Ultralytics YOLO11 и HUB для быстрой итерации и проверки ошибок конвейера перед масштабированием до больших наборов данных. Для получения подробной информации об использовании обратитесь к странице Обучение модели.

Как я могу обучить модель YOLO11n-seg, используя набор данных COCO128-Seg?

Чтобы обучить модель YOLO11n-seg на наборе данных COCO128-Seg в течение 100 эпох с размером изображения 640, вы можете использовать команды Python или CLI. Вот краткий пример:

Пример обучения

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-seg.pt")  # Load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Для получения подробного объяснения доступных аргументов и параметров конфигурации вы можете ознакомиться с документацией по Обучению.

Почему набор данных COCO128-Seg важен для разработки и отладки моделей?

COCO128-Seg dataset, содержащий 128 изображений, предлагает сбалансированное сочетание управляемости и разнообразия, что делает его идеальным для быстрого тестирования и отладки моделей сегментации или экспериментов с новыми методами detect. Его умеренный размер позволяет быстро выполнять итерации обучения, обеспечивая при этом достаточное разнообразие для проверки конвейеров обучения перед масштабированием до больших наборов данных. Узнайте больше о поддерживаемых форматах наборов данных в руководстве по наборам данных для сегментации Ultralytics.

Где я могу найти файл конфигурации YAML для набора данных COCO128-Seg?

Файл конфигурации YAML для набора данных COCO128-Seg доступен в репозитории Ultralytics. Вы можете получить доступ к файлу напрямую по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. YAML-файл содержит важную информацию о путях к набору данных, классах и параметрах конфигурации, необходимых для обучения и проверки модели.

Каковы некоторые преимущества использования мозаики во время обучения с набором данных COCO128-Seg?

Использование мозаики во время обучения помогает увеличить разнообразие объектов и сцен в каждом пакете обучения. Этот метод объединяет несколько изображений в одно составное изображение, повышая способность модели к обобщению для различных размеров объектов, соотношений сторон и контекстов внутри сцены. Мозаика полезна для повышения устойчивости и точности модели, особенно при работе с наборами данных среднего размера, такими как COCO128-Seg. Пример изображений мозаики см. в разделе Примеры изображений и аннотаций.



📅 Создано 3 месяца назад ✏️ Обновлено 25 дней назад
glenn-jocherfcakyon

Комментарии