Перейти к содержанию

Набор данных COCO8-Seg

Введение

Ultralytics COCO8-Seg — это небольшой, но универсальный набор данных для instance segmentation, состоящий из первых 8 изображений набора COCO train 2017, 4 для обучения и 4 для проверки. Этот набор данных идеально подходит для тестирования и отладки моделей сегментации или для экспериментов с новыми подходами к обнаружению. Благодаря 8 изображениям он достаточно мал, чтобы им было легко управлять, но достаточно разнообразен, чтобы тестировать конвейеры обучения на наличие ошибок и действовать как проверка работоспособности перед обучением на больших наборах данных.

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

YAML-файл набора данных

YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к набору данных, классах и другую важную информацию. В случае набора данных COCO8-Seg, coco8-seg.yaml файл поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

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.zip

Использование

Чтобы обучить модель YOLO11n-seg на наборе данных COCO8-Seg в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратитесь к странице Training 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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Примеры изображений и аннотации

Вот несколько примеров изображений из набора данных COCO8-Seg 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 COCO8-Seg и 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 поблагодарить 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 COCO8-Seg и как он используется в Ultralytics YOLO11?

COCO8-Seg dataset – это компактный датасет для instance segmentation от Ultralytics, состоящий из первых 8 изображений из набора COCO train 2017 — 4 изображения 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 с Ultralytics YOLO11 и HUB для быстрой итерации и проверки ошибок конвейера перед масштабированием на более крупные наборы данных. Для получения подробной информации об использовании обратитесь к странице Training модели.

Как я могу обучить модель YOLO11n-seg, используя датасет COCO8-Seg?

Чтобы обучить модель YOLO11n-seg на наборе данных COCO8-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="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-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 COCO8-Seg важен для разработки и отладки моделей?

Набор данных COCO8-Seg предлагает компактный, но разнообразный набор из 8 изображений, что делает его идеальным для быстрого тестирования и отладки моделей сегментации или экспериментов с новыми методами обнаружения. Его небольшой размер позволяет быстро проводить проверки работоспособности и раннюю проверку конвейера, помогая выявить проблемы до масштабирования до более крупных наборов данных. Узнайте больше о поддерживаемых форматах набора данных в руководстве по набору данных сегментации Ultralytics.

Где я могу найти YAML-файл конфигурации для набора данных COCO8-Seg?

Файл конфигурации YAML для набора данных COCO8-Seg доступен в репозитории Ultralytics. Вы можете получить прямой доступ к файлу по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-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 COCO8-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, улучшая способность модели обобщать различные размеры объектов, соотношения сторон и контексты внутри сцены. Мозаика полезна для повышения устойчивости и точности модели, особенно при работе с небольшими наборами данных, такими как COCO8-Seg. Пример мозаичных изображений см. в разделе Примеры изображений и аннотаций.



📅 Создано 1 год назад ✏️ Обновлено 4 месяца назад

Комментарии