COCO8-Seg Veri Kümesi#

8

coco8-seg

ultralytics

publicSegment

COCO8-Seg is Ultralytics' minimal instance-segmentation smoke-test set: four training and four validation images sampled from COCO 2017. Real polygons and the 80-class taxonomy enable rapid validation of mask loading, augmentation, training, and export.

280 classes837.5 KBSep 2, 2026

personbicyclecarmotorcycle+76

Giriş#

Ultralytics COCO8-Seg, COCO train 2017 kümesindeki ilk 8 görüntüden (4'ü eğitim, 4'ü doğrulama için) 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. 8 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 8 (4 eğitim / 4 doğrulama).
• Sınıflar: 80 COCO kategorisi.
• Etiketler: Her görüntü dosyasına karşılık gelen YOLO biçimli çokgenler labels/{train,val} altında saklanır.
• İndirme boyutu: ~1 MB.

Her görüntüye ve çokgen maskelerine göz atmak, Charts sekmesinde sınıf dağılımını ve açıklama ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek için veri kümesini klonlamak üzere Ultralytics Platform'daki COCO8-Seg'i keşfet.

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. COCO8-Seg veri kümesi için coco8-seg.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml adresinde tutulur.

# 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#

COCO8-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="coco8-seg.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda COCO8-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#