Набор данных COCO128-Seg
Введение
Ultralytics COCO128-Seg — это небольшой, но универсальный набор данных для сегментации экземпляров, состоящий из первых 128 изображений набора COCO train 2017. Этот набор данных идеально подходит для тестирования и отладки моделей сегментации или для экспериментов с новыми подходами к детекции. Благодаря 128 изображениям он достаточно мал, чтобы им было легко управлять, но при этом достаточно разнообразен, чтобы проверять конвейеры обучения на наличие ошибок и выполнять базовую проверку перед обучением на более крупных наборах данных.
Структура набора данных
- Изображения: всего 128. В стандартном YAML для обучения и валидации используется одна и та же директория, что позволяет быстро выполнять итерации, но при желании ты можешь дублировать или настроить разделение.
- Классы: те же 80 категорий объектов, что и в COCO.
- Метки: полигоны в формате YOLO, сохраненные рядом с каждым изображением в папках
labels/{train,val}.
Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.
YAML набора данных
Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к данным, классах и другую соответствующую информацию. В случае с набором данных COCO128-Seg файл coco128-seg.yaml находится по адресу https://github.com/ultralytics/ultralytics/blob/main/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-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.zipИспользование
Чтобы обучить модель YOLO26n-seg на наборе данных COCO128-Seg в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице обучения моделей.
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="coco128-seg.yaml", epochs=100, imgsz=640)Примеры изображений и аннотаций
Вот несколько примеров изображений из набора данных COCO128-Seg вместе с соответствующими аннотациями:
- Мозаичное изображение: это изображение демонстрирует обучающую выборку, состоящую из мозаичных изображений набора данных. Мозаика — это метод, используемый во время обучения, который объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей выборке. Это помогает улучшить способность модели к обобщению на разные размеры объектов, соотношения сторон и контексты.
Этот пример демонстрирует разнообразие и сложность изображений в наборе данных COCO128-Seg, а также преимущества использования мозаики (mosaicing) в процессе обучения.
Цитирование и благодарности
Если ты используешь набор данных COCO в своих исследованиях или разработках, пожалуйста, сошлися 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 поблагодарить консорциум COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных COCO и его создателях посети веб-сайт набора данных COCO.
Часто задаваемые вопросы (FAQ)
Что такое набор данных COCO128-Seg и как он используется в Ultralytics YOLO26?
Набор данных COCO128-Seg — это компактный набор данных для сегментации экземпляров от Ultralytics, состоящий из первых 128 изображений набора COCO train 2017. Этот набор данных предназначен для тестирования и отладки моделей сегментации или экспериментов с новыми методами детекции. Он особенно полезен при работе с Ultralytics YOLO26 и Platform для быстрой итерации и проверки конвейеров на наличие ошибок перед масштабированием на более крупные наборы данных. Подробное использование описано на странице обучения моделей.
Как я могу обучить модель YOLO26n-seg, используя набор данных COCO128-Seg?
Чтобы обучить модель YOLO26n-seg на наборе данных COCO128-Seg в течение 100 эпох с размером изображения 640, ты можешь использовать Python или команды CLI. Вот краткий пример:
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="coco128-seg.yaml", epochs=100, imgsz=640)Для получения подробного объяснения доступных аргументов и параметров конфигурации можешь ознакомиться с документацией по Обучению.
Почему набор данных COCO128-Seg важен для разработки и отладки моделей?
Набор данных COCO128-Seg предлагает сбалансированное сочетание управляемости и разнообразия из 128 изображений, что делает его идеальным для быстрой проверки и отладки моделей сегментации или экспериментов с новыми методами детекции. Его умеренный размер позволяет быстро проводить итерации обучения, обеспечивая при этом достаточное разнообразие для валидации конвейеров перед переходом к большим наборам данных. Узнай больше о поддерживаемых форматах 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. Ты можешь получить доступ к файлу напрямую по ссылке 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 настройках конфигурации, необходимых для обучения и валидации модели.
Какие преимущества дает использование мозаики (mosaicing) при обучении с набором данных COCO128-Seg?
Использование мозаики (mosaicing) во время обучения помогает увеличить разнообразие объектов и сцен в каждом обучающем пакете. Этот метод объединяет несколько изображений в одно составное, повышая способность модели к обобщению на разные размеры объектов, соотношения сторон и контексты внутри сцены. Мозаика полезна для улучшения надежности и точности модели, особенно при работе с наборами данных умеренного размера, такими как COCO128-Seg. Пример изображений с мозаикой смотри в разделе Sample Images and Annotations.