Link to this sectionНабор данных COCO128-Seg#

Link to this sectionВведение#

Ultralytics COCO128-Seg — это небольшой, но универсальный набор данных для сегментации экземпляров, состоящий из первых 128 изображений из набора COCO train 2017. Этот набор данных идеально подходит для тестирования и отладки моделей сегментации, а также для экспериментов с новыми подходами к обнаружению. Имея всего 128 изображений, он достаточно мал, чтобы им было легко управлять, и при этом достаточно разнообразен, чтобы проверять пайплайны обучения на наличие ошибок и выполнять базовую проверку перед обучением на более крупных наборах данных.

Link to this sectionСтруктура набора данных#

• Изображения: всего 128, с идентичным разделением на train и val (см. примечание ниже).
• Классы: те же 80 категорий объектов, что и в COCO.
• Разметка: полигоны в формате YOLO, сохраненные в labels/train2017 для общего каталога изображений train и val.
• Размер загрузки: ~7 МБ.

Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.

Link to this sectionYAML набора данных#

YAML-файл используется для определения конфигурации набора данных. Он содержит информацию о путях к данным, классах и другие соответствующие сведения. В случае с набором данных COCO128-Seg файл coco128-seg.yaml поддерживается 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/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

Link to this sectionИспользование#

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 можно найти 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)

Link to this sectionПримеры изображений и аннотации#

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

• Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных COCO в своей исследовательской или разработческой работе, пожалуйста, процитируй 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 признательность консорциуму COCO за создание и поддержку этого ценного ресурса для сообщества computer vision. Для получения дополнительной информации о наборе данных COCO и его создателях посети веб-сайт набора данных COCO.

Link to this sectionFAQ#

Link to this sectionЧто 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 из набора COCO train 2017. Этот набор предназначен для тестирования и отладки моделей сегментации или экспериментов с новыми методами обнаружения. Он особенно полезен при работе с Ultralytics YOLO26 и Platform для быстрой итерации и проверки пайплайнов на наличие ошибок перед масштабированием на более крупные наборы данных. Для получения подробной информации об использовании обратись к странице обучения.

Link to this sectionКак 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 подробного объяснения доступных аргументов и параметров конфигурации ты можешь ознакомиться с документацией по Обучению.

Link to this sectionПочему набор данных COCO128-Seg важен для разработки и отладки моделей?#

Поскольку размер загрузки и цикл train/val гораздо меньше, чем у полного COCO, COCO128-Seg позволяет запустить 1-эпоховую проверку работоспособности твоего конвейера — убедившись, что модель корректно обучается, проходит валидацию и сохраняет чекпоинты — перед переходом к полному набору данных COCO-Seg. Узнай больше о поддерживаемых форматах наборов данных в руководстве Ultralytics по сегментации.

Link to this sectionГде я могу найти YAML-файл конфигурации для набора данных COCO128-Seg?#

YAML-файл конфигурации для набора данных COCO128-Seg доступен в репозитории Ultralytics. Ты можешь получить доступ к файлу напрямую по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml. Этот файл содержит важную информацию о путях к данным, классах и настройках конфигурации, необходимых для обучения и валидации моделей.

Link to this sectionКак COCO128-Seg соотносится с COCO8-Seg и полным набором данных COCO-Seg?#

COCO128-Seg (128 изображений) по своему размеру занимает промежуточное положение между COCO8-Seg (8 изображений) и полным набором COCO-Seg (118 287 обучающих изображений):

• COCO8-Seg: 8 изображений (4 для train, 4 для val) — идеально для быстрой проверки работоспособности и отладки.
• COCO128-Seg: 128 изображений — баланс между размером и разнообразием, где наборы train и val находятся в одной директории.
• Полный COCO-Seg: 118 287 изображений для обучения — всеобъемлющий, но ресурсоемкий набор, требующий ~27 ГБ при первой загрузке.

COCO128-Seg предлагает большее разнообразие, чем COCO8-Seg, оставаясь при этом гораздо более удобным для экспериментов и начальной разработки модели, чем полный набор данных COCO-Seg.