Link to this sectionНабор данных COCO8-Seg#
Link to this sectionВведение#
Ultralytics COCO8-Seg — это небольшой, но универсальный набор данных для сегментации экземпляров, состоящий из первых 8 изображений набора COCO train 2017: 4 для обучения и 4 для валидации. Этот набор данных идеально подходит для тестирования и отладки моделей сегментации, а также для экспериментов с новыми подходами к обнаружению. Имея всего 8 изображений, он достаточно мал для легкого управления, но при этом достаточно разнообразен, чтобы проверять конвейеры обучения на наличие ошибок и проводить проверку работоспособности перед обучением на более крупных наборах данных.
Link to this sectionСтруктура набора данных#
- Изображения: всего 8 (4 для обучения / 4 для валидации).
- Классы: 80 категорий COCO.
- Метки: полигоны в формате YOLO, хранящиеся в папках
labels/{train,val}, соответствующих каждому файлу изображения.
Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.
Link to this sectionYAML набора данных#
Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к данным, классах и другие важные сведения. В случае с набором данных COCO8-Seg файл coco8-seg.yaml поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zipLink to this sectionИспользование#
Чтобы обучить модель YOLO26n-seg на наборе данных COCO8-Seg в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице Обучение 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="coco8-seg.yaml", epochs=100, imgsz=640)Link to this sectionПримеры изображений и аннотации#
Вот несколько примеров изображений из набора данных COCO8-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.
Этот пример демонстрирует разнообразие и сложность изображений в наборе данных COCO8-Seg, а также преимущества использования мозаики (mosaicing) в процессе обучения.
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 COCO8-Seg и как он используется в Ultralytics YOLO26?#
Набор COCO8-Seg — это компактный набор данных для сегментации экземпляров от Ultralytics, состоящий из первых 8 изображений набора COCO train 2017: 4 для обучения и 4 для валидации. Этот набор данных 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 конвейеров на ошибки перед переходом к большим наборам данных. Подробное описание использования смотри на странице Обучение модели.
Link to this sectionКак я могу обучить модель YOLO26n-seg, используя набор данных COCO8-Seg?#
Чтобы обучить модель YOLO26n-seg на наборе данных COCO8-Seg в течение 100 эпох с размером изображения 640, ты можешь использовать команды Python или 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="coco8-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 COCO8-Seg важен для разработки и отладки моделей?#
Датасет COCO8-Seg представляет собой компактный, но разнообразный набор из 8 изображений, что делает его идеальным для быстрой проверки и отладки моделей сегментации или экспериментов с новыми методами обнаружения. Его небольшой размер позволяет выполнять быструю первичную проверку и валидацию пайплайна, помогая выявить проблемы до перехода к более крупным наборам данных. Узнай больше о поддерживаемых форматах данных в руководстве Ultralytics по датасетам сегментации.
Link to this sectionГде я могу найти YAML-файл конфигурации для набора данных COCO8-Seg?#
YAML-файл конфигурации для набора данных COCO8-Seg доступен в репозитории Ultralytics. Ты можешь получить доступ к файлу напрямую по ссылке https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. Файл YAML содержит важную информацию о путях к набору данных, классах и настройках конфигурации, необходимых для обучения и валидации модели.
Link to this sectionКаковы преимущества использования мозаики (mosaicing) во время обучения с набором данных COCO8-Seg?#
Использование мозаики во время обучения помогает увеличить разнообразие объектов и сцен в каждом учебном пакете. Этот метод объединяет несколько изображений в одно составное, что повышает способность модели обобщать данные при различных размерах объектов, соотношениях сторон и контекстах сцены. Мозаика полезна для повышения устойчивости и точности модели, особенно при работе с небольшими наборами данных, такими как COCO8-Seg. Пример изображений с мозаикой смотри в разделе Примеры изображений и аннотаций.