COCO8-Seg Veri Seti#

8

coco8-seg

ultralytics

publicSegment

Compact 8-image instance segmentation dataset from COCO 2017. Includes 4 train/4 val images with 80 object classes. Ideal for testing, debugging, and quick model experiments.

280 classes837.5 KBFeb 9, 2026

personbicyclecarmotorcycle+76

Giriş#

Ultralytics COCO8-Seg, COCO train 2017 setinin ilk 8 görüntüsünden oluşan (4'ü eğitim, 4'ü doğrulama için) küçük ama çok yönlü bir instance segmentation veri setidir. Bu veri seti, segmentasyon modellerini test etmek ve hata ayıklamak veya yeni tespit yaklaşımlarıyla denemeler yapmak için idealdir. 8 görüntüyle kolayca yönetilebilecek kadar küçük, ancak eğitim boru hatlarında hata test etmek ve daha büyük veri setlerini eğitmeden önce bir mantık kontrolü (sanity check) görevi görmek için yeterince çeşitlidir.

Veri Kümesi Yapısı#

• Görseller: Toplam 8 (4 eğitim / 4 doğrulama).
• Sınıflar: 80 COCO kategorisi.
• Etiketler: Her görüntü dosyasıyla eşleşen labels/{train,val} altında depolanan YOLO formatında çokgenler.
• İndirme boyutu: ~1 MB.

Her görüntüyü poligon maskeleriyle incelemek, Charts sekmesinde sınıf dağılımını ve açıklama ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek için kopyalamak üzere COCO8-Seg on Ultralytics Platform seçeneğini keşfet.

Veri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri setinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgiler içerir. COCO8-Seg veri seti söz konusu olduğunda, coco8-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml adresinde barındırılmaktadır.

# 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

Kullanım#

640 görüntü boyutuyla 100 epochs boyunca COCO8-Seg veri seti üzerinde bir YOLO26n-seg modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için modelin Training sayfasına göz at.

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)

Örnek Görüntüler ve Ek Açıklamalar#

İşte COCO8-Seg veri setinden görsellerin ve bunlara karşılık gelen ek açıklamaların bazı örnekleri:

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

Alıntılar ve Teşekkür#

COCO veri setini 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}
}

Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturan ve sürdüren COCO Konsorsiyumu'na teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

SSS#