Ultralytics YOLO27:
Get Started
CC BY 4.0

Датасет COCO128-Seg#

Введение#

COCO128-Seg от Ultralytics — небольшой, но универсальный датасет для сегментации экземпляров, состоящий из первых 128 изображений набора COCO train 2017. Этот датасет отлично подходит для тестирования и отладки моделей сегментации, а также для экспериментов с новыми подходами к сегментации. 128 изображений — датасетом легко управлять, но их разнообразия достаточно, чтобы проверять обучающие конвейеры на ошибки и выполнять базовую проверку перед обучением на более крупных датасетах.

Структура набора данных#

  • Изображения: всего 128; выборки train и val полностью совпадают (см. примечание ниже).
  • Классы: те же 80 категорий объектов, что и в COCO.
  • Метки: полигоны в формате YOLO хранятся в labels/train2017 для общей директории изображений train и val.
  • Размер загрузки: ~7 МБ.
Примечание

В YAML-файле по умолчанию для train и val указаны одни и те же 128 изображений, поэтому метрики валидации показывают качество на обучающей выборке, а не способность модели обобщать данные, на которых она не обучалась. Если нужна отдельная контрольная выборка, создай дубликат разбиения или настрой его самостоятельно.

Этот датасет предназначен для использования с платформой Ultralytics и YOLO26.

Файл YAML набора данных#

Для описания конфигурации датасета используется YAML-файл. В нём указаны пути к данным, классы и другая необходимая информация. Для датасета COCO128-Seg файл coco128-seg.yaml размещён 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/coco128-seg
# Example usage: yolo train data=coco128-seg.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#

Чтобы обучить модель YOLO26n-seg на датасете COCO128-Seg в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Полный список доступных аргументов смотри на странице модели Обучение.

Пример обучения
from ultralytics import YOLO

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

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

Примеры изображений и аннотаций#

Ниже приведены примеры изображений из датасета COCO128-Seg и соответствующие им аннотации:

COCO128-seg instance segmentation dataset mosaic
  • Мозаичное изображение: на изображении показан обучающий батч, составленный из мозаично объединённых изображений датасета. Мозаичное объединение — это метод, применяемый во время обучения: несколько изображений объединяются в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает модели лучше обобщать данные для объектов разных размеров, с разными соотношениями сторон и в разных контекстах.

Цитирование и благодарности#

Если ты используешь датасет COCO в исследовательской или разработческой работе, укажи в ссылках следующую статью:

Цитата
@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 благодарим консорциум COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Подробнее о датасете COCO и его создателях можно узнать на сайте датасета COCO.

Часто задаваемые вопросы#

  • Датасет COCO128-Seg — компактный датасет для сегментации экземпляров от Ultralytics, состоящий из первых 128 изображений набора COCO train 2017. Он предназначен для тестирования и отладки моделей сегментации, а также для экспериментов с новыми методами сегментации. Датасет особенно полезен при работе с YOLO26 и платформой Ultralytics: он позволяет быстро выполнять итерации и проверять конвейер на ошибки до перехода к более крупным датасетам. Подробности смотри на странице модели Обучение.

  • Чтобы обучить модель YOLO26n-seg на датасете COCO128-Seg в течение 100 эпох с размером изображения 640, используй Python или команды CLI. Вот краткий пример:

    Пример обучения
    from ultralytics import YOLO

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

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

    Подробное описание доступных аргументов и параметров конфигурации смотри в документации по обучению.

  • Загрузка и цикл обучения/валидации на COCO128-Seg намного короче, чем на полном COCO, поэтому можно выполнить однократную базовую проверку нового конвейера в течение 1 эпохи — убедиться, что модель правильно обучается, проходит валидацию и сохраняет контрольные точки — до перехода на полный датасет COCO-Seg. Подробнее о поддерживаемых форматах датасетов читай в руководстве Ultralytics по датасетам для сегментации.

  • YAML-файл конфигурации датасета COCO128-Seg доступен в репозитории Ultralytics. Открой файл напрямую по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. YAML-файл содержит важные сведения о путях к данным, классах и параметрах конфигурации, необходимых для обучения и валидации модели.

  • По размеру COCO128-Seg (128 изображений) находится между COCO8-Seg (8 изображений) и полным датасетом COCO-Seg (118 287 обучающих изображений):

    • COCO8-Seg: 8 изображений (4 train, 4 val) — идеально подходит для быстрой базовой проверки и отладки.
    • COCO128-Seg: 128 изображений — компромисс между размером и разнообразием; выборки train и val используют одну и ту же директорию.
    • Полный COCO-Seg: 118 287 обучающих изображений — полный охват, но высокие требования к ресурсам: при первой загрузке потребуется ~20 ГБ.

    COCO128-Seg разнообразнее COCO8-Seg, но при этом для экспериментов и первоначальной разработки моделей гораздо удобнее полного датасета COCO-Seg.

Участники
GLglenn-jocher9RAraimbekovm4PDpderrenger1FCfcakyon1

Комментарии