Link to this sectionНабор данных Cityscapes8#

Link to this sectionВведение#

Датасет Cityscapes8 от Ultralytics — это компактный датасет для семантической сегментации, состоящий из 8 изображений, отобранных из датасета Cityscapes: 4 для обучения и 4 для валидации. Он разработан для быстрого тестирования, отладки и экспериментов с моделями семантической сегментации YOLO и конвейерами обучения. Его содержимое, представляющее городские сцены, позволяет полезным образом проверить конвейер перед переходом к полному датасету Cityscapes.

Cityscapes8 использует те же 19 классов оценки и такое же поведение label_mapping, что и полный набор данных Cityscapes, и полностью совместим с рабочими процессами семантической сегментации YOLO26.

Link to this sectionYAML набора данных#

Конфигурация набора данных Cityscapes8 определена в YAML-файле, который задает пути к данным, названия классов и другие важные метаданные. Ты можешь ознакомиться с официальным файлом cityscapes8.yaml в репозитории Ultralytics на GitHub. YAML-файл включает URL для загрузки небольшого упакованного подмножества данных.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Cityscapes semantic segmentation dataset (19 classes)
# Documentation: https://docs.ultralytics.com/datasets/semantic/cityscapes8
# Example usage: yolo semantic train data=cityscapes8.yaml model=yolo26n-sem.pt
# parent
# ├── ultralytics
# └── datasets
#     └── cityscapes8 ← downloads here (small subset)
#         └── images
#         └── masks

# Dataset root directory
path: cityscapes8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images

masks_dir: masks # semantic mask directory

# Cityscapes 19-class labels
names:
  0: road
  1: sidewalk
  2: building
  3: wall
  4: fence
  5: pole
  6: traffic light
  7: traffic sign
  8: vegetation
  9: terrain
  10: sky
  11: person
  12: rider
  13: car
  14: truck
  15: bus
  16: train
  17: motorcycle
  18: bicycle

# Map source label IDs to train IDs; ignore_label is converted to 255.
label_mapping:
  -1: ignore_label
  0: ignore_label
  1: ignore_label
  2: ignore_label
  3: ignore_label
  4: ignore_label
  5: ignore_label
  6: ignore_label
  7: 0
  8: 1
  9: ignore_label
  10: ignore_label
  11: 2
  12: 3
  13: 4
  14: ignore_label
  15: ignore_label
  16: ignore_label
  17: 5
  18: ignore_label
  19: 6
  20: 7
  21: 8
  22: 9
  23: 10
  24: 11
  25: 12
  26: 13
  27: 14
  28: 15
  29: ignore_label
  30: ignore_label
  31: 16
  32: 17
  33: 18

# Download URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/cityscapes8.zip

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-sem на наборе данных Cityscapes8 в течение 100 эпох с размером изображения 1024, воспользуйся следующими примерами. Полный список опций обучения смотри в документации по обучению YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных Cityscapes в своих исследованиях или разработках, пожалуйста, сошлися на следующую работу:

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

Особая благодарность команде Cityscapes за их постоянный вклад в развитие сообществ автономного вождения и компьютерного зрения.

Link to this sectionFAQ#

Link to this sectionДля чего используется набор данных Ultralytics Cityscapes8?#

Датасет Ultralytics Cityscapes8 разработан для быстрого тестирования и отладки моделей семантической сегментации. Благодаря всего 8 изображениям (4 для обучения, 4 для валидации) он идеально подходит для проверки конвейеров семантической сегментации YOLO, включая загрузку масок, аугментации, валидацию и пути экспорта, перед переходом к полному датасету Cityscapes. Ознакомься с YAML-конфигурацией Cityscapes8 для получения подробной информации.

Link to this sectionКак обучить модель YOLO26, используя набор данных Cityscapes8?#

Ты можешь обучить модель семантической сегментации YOLO26 на Cityscapes8, используя Python или CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n-sem model
model = YOLO("yolo26n-sem.pt")

# Train the model on Cityscapes8
results = model.train(data="cityscapes8.yaml", epochs=100, imgsz=1024)

Для получения дополнительных параметров обучения обратись к документации по обучению YOLO.

Link to this sectionСтоит ли использовать Cityscapes8 для бенчмаркинга?#

Нет. Cityscapes8 слишком мал для значимого сравнения моделей и предназначен для проверки пайплайнов обучения и оценки. Используй полный набор данных валидации Cityscapes, когда тебе нужны репрезентативные результаты бенчмарков для семантической сегментации.