Bộ dữ liệu COCO128-Seg#

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

Giới thiệu#

Ultralytics COCO128-Seg là một bộ dữ liệu phân đoạn instance nhỏ nhưng linh hoạt, bao gồm 128 ảnh đầu tiên của tập train 2017 COCO. Bộ dữ liệu này lý tưởng để kiểm thử và gỡ lỗi các model phân đoạn hoặc thử nghiệm các phương pháp phát hiện mới. Với 128 ảnh, bộ dữ liệu đủ nhỏ để dễ dàng quản lý nhưng vẫn đủ đa dạng để kiểm tra pipeline training nhằm phát hiện lỗi và thực hiện sanity check trước khi training các bộ dữ liệu lớn hơn.

Cấu trúc bộ dữ liệu#

• Ảnh: Tổng cộng 128 ảnh, với tập train và val được chia giống hệt nhau (xem lưu ý bên dưới).
• Class: 80 danh mục đối tượng giống như COCO.
• Nhãn: Các polygon theo định dạng YOLO được lưu trong labels/train2017 cho thư mục ảnh train và val dùng chung.
• Dung lượng tải xuống: ~7 MB.

Dataset này được thiết kế để sử dụng với Ultralytics Platform và YOLO26.

YAML của bộ dữ liệu#

Một tệp YAML được sử dụng để định nghĩa cấu hình dataset. Tệp này chứa thông tin về các đường dẫn, class và những thông tin liên quan khác của dataset. Đối với dataset COCO128-Seg, tệp coco128-seg.yaml được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.

# 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

Cách sử dụng#

Để training model YOLO26n-seg trên dataset COCO128-Seg trong 100 epoch với kích thước ảnh 640, bạn có thể sử dụng các đoạn code sau. Để xem danh sách đầy đủ các argument khả dụng, hãy tham khảo trang Training của model.

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="coco128-seg.yaml", epochs=100, imgsz=640)

Hình ảnh mẫu và annotation#

Dưới đây là một số ví dụ về ảnh từ dataset COCO128-Seg cùng với các annotation tương ứng:

• Hình ảnh dạng mosaic: Hình ảnh này minh họa một batch train được tạo từ các hình ảnh dataset dạng mosaic. Mosaicing là một kỹ thuật được sử dụng trong quá trình train, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng tính đa dạng của đối tượng và cảnh trong mỗi batch train. Điều này giúp cải thiện khả năng tổng quát hóa của model đối với các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau.

Trích dẫn và ghi nhận đóng góp#

Nếu bạn sử dụng dataset COCO trong công trình nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn paper sau:

@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}
}

Chúng tôi xin ghi nhận đóng góp của COCO Consortium trong việc tạo và duy trì resource có giá trị này cho cộng đồng thị giác máy tính. Để biết thêm thông tin về dataset COCO và những người tạo ra dataset, hãy truy cập website dataset COCO.

FAQ#