COCO128-Seg Veri Kümesi#

128

COCO128-Seg

ultralytics

publicSegment

COCO128-Seg is an Ultralytics compact instance-segmentation subset built from the first 128 COCO 2017 training images. Real polygons span the 80-class taxonomy and include empty scenes for fast checks of mask loading, augmentation, training, and export.

80 classes9.9 MBSep 2, 2026

personbicyclecarmotorcycle+76

instance-segmentationcocotesting+1

Giriş#

Ultralytics COCO128-Seg, COCO train 2017 kümesindeki ilk 128 görüntüden oluşan küçük ama çok yönlü bir örnek segmentasyonu veri kümesidir. Bu veri kümesi segmentasyon modellerini test etmek ve hata ayıklamak ya da yeni segmentasyon yaklaşımlarını denemek için idealdir. 128 görüntüyle kolayca yönetilebilecek kadar küçük, eğitim işlem hatalarındaki sorunları sınamaya ve daha büyük veri kümeleriyle eğitime başlamadan önce bir sağlamlık kontrolü yapmaya yetecek kadar çeşitlidir.

Veri Kümesi Yapısı#

• Görüntüler: Toplam 128; eğitim ve doğrulama bölümleri aynı şekilde ayrılmıştır (aşağıdaki nota bak).
• Sınıflar: COCO'daki 80 nesne kategorisinin aynısı.
• Etiketler: Paylaşılan eğitim ve doğrulama görüntü dizini için YOLO biçimli çokgenler labels/train2017 içinde saklanır.
• İndirme boyutu: ~7 MB.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanılmak üzere tasarlanmıştır.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosyada veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler yer alır. COCO128-Seg veri kümesi için coco128-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml adresinde tutulur.

# 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

Kullanım#

COCO128-Seg veri kümesinde YOLO26n-seg modelini 640 görüntü boyutuyla 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına başvur.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-seg.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda COCO128-Seg veri kümesindeki bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar yer alıyor:

• Mozaik Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için eğitim sırasında birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirir.

Atıflar ve Teşekkürler#

COCO veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

@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}
}

Bu değerli kaynağı oluşturup sürdürdüğü için COCO Konsorsiyumu'na bilgisayarlı görü topluluğu adına teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

Sık Sorulan Sorular#