COCO128 -Bộ dữ liệu phân đoạn
Giới thiệu
Ultralytics COCO128-Seg là một dataset instance segmentation nhỏ nhưng linh hoạt, bao gồm 128 hình ảnh đầu tiên của tập COCO train 2017. Dataset này lý tưởng để kiểm tra và gỡ lỗi các mô hình segmentation hoặc để thử nghiệm các phương pháp detection mới. Với 128 hình ảnh, nó đủ nhỏ để dễ quản lý, nhưng đủ đa dạng để kiểm tra các pipeline huấn luyện để tìm lỗi và hoạt động như một bước kiểm tra tính hợp lệ trước khi huấn luyện các dataset lớn hơn.
Cấu trúc bộ dữ liệu
- Hình ảnh : Tổng cộng 128. YAML mặc định sử dụng lại cùng một thư mục cho train và val để bạn có thể lặp lại nhanh chóng, nhưng bạn có thể sao chép hoặc tùy chỉnh phần chia nếu muốn.
- Các lớp : Cùng 80 danh mục đối tượng như COCO .
- Nhãn: Các đa giác định dạng YOLO được lưu bên cạnh mỗi ảnh bên trong
labels/{train,val}.
Bộ dữ liệu này được thiết kế để sử dụng với Ultralytics HUB và YOLO11.
YAML bộ dữ liệu
Tệp YAML (Yet Another Markup Language - Ngôn ngữ Đánh dấu Khác) được sử dụng để định nghĩa cấu hình tập dữ liệu. Tệp này chứa thông tin về đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Trong trường hợp COCO128 -Seg tập dữ liệu, các coco128-seg.yaml tệp được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.
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/coco/
# Example usage: yolo train data=coco128.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 đào tạo một mô hình YOLO11n-seg trên COCO128 - Tập dữ liệu phân đoạn cho 100 kỷ nguyên với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Đào tạo mô hình.
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Ảnh và Chú thích mẫu
Dưới đây là một số ví dụ về hình ảnh từ COCO128 -Phân đoạn tập dữ liệu, cùng với các chú thích tương ứng:
- Hình ảnh Mosaiced: Hình ảnh này minh họa một lô huấn luyện bao gồm các hình ảnh bộ dữ liệu được mosaiced. Mosaicing là một kỹ thuật được sử dụng trong quá trình huấn luyện, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các đối tượng và cảnh trong mỗi lô huấn luyện. Điều này giúp cải thiện khả năng tổng quát hóa của mô hình đối với các kích thước, tỷ lệ khung hình và ngữ cảnh khác nhau của đối tượng.
Ví dụ này cho thấy sự đa dạng và phức tạp của hình ảnh trong COCO128 - Phân đoạn tập dữ liệu và lợi ích của việc sử dụng khảm trong quá trình đào tạo.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng COCO tập dữ liệu trong công trình nghiên cứu hoặc phát triển của bạn, vui lòng trích dẫn bài báo 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 muốn ghi nhận COCO Liên minh tạo ra và duy trì nguồn tài nguyên có giá trị này cho cộng đồng thị giác máy tính . Để biết thêm thông tin về COCO bộ dữ liệu và những người tạo ra nó, hãy truy cập trang web bộ dữ liệu COCO .
Câu hỏi thường gặp
Cái gì là COCO128 - Bộ dữ liệu phân đoạn và cách sử dụng nó trong Ultralytics YOLO11 ?
Bộ dữ liệu COCO128 -Seg là một bộ dữ liệu phân đoạn thể hiện nhỏ gọn theo Ultralytics , bao gồm 128 hình ảnh đầu tiên từ COCO Bộ dữ liệu đào tạo năm 2017. Bộ dữ liệu này được thiết kế riêng để kiểm tra và gỡ lỗi các mô hình phân đoạn hoặc thử nghiệm các phương pháp phát hiện mới. Nó đặc biệt hữu ích với Ultralytics YOLO11 và HUB giúp lặp lại nhanh chóng và kiểm tra lỗi đường ống trước khi mở rộng sang các tập dữ liệu lớn hơn. Để biết cách sử dụng chi tiết, vui lòng tham khảo trang Đào tạo mô hình.
Làm thế nào tôi có thể đào tạo một mô hình YOLO11n-seg bằng cách sử dụng COCO128 -Phân đoạn dữ liệu?
Để đào tạo một mô hình YOLO11n-seg trên COCO128 - Bộ dữ liệu phân đoạn cho 100 kỷ nguyên với kích thước hình ảnh là 640, bạn có thể sử dụng Python hoặc CLI lệnh. Sau đây là một ví dụ nhanh:
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # Load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco128-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Để có giải thích kỹ lưỡng về các đối số và tùy chọn cấu hình có sẵn, bạn có thể xem tài liệu Huấn luyện.
Tại sao là COCO128 -Bộ dữ liệu phân đoạn có quan trọng cho việc phát triển và gỡ lỗi mô hình không?
Bộ dữ liệu COCO128 -Seg mang đến sự kết hợp cân bằng giữa khả năng quản lý và tính đa dạng với 128 hình ảnh, hoàn hảo cho việc kiểm tra và gỡ lỗi nhanh chóng các mô hình phân đoạn hoặc thử nghiệm các kỹ thuật phát hiện mới. Kích thước vừa phải của bộ dữ liệu cho phép lặp lại quá trình huấn luyện nhanh chóng, đồng thời cung cấp đủ tính đa dạng để xác thực các quy trình huấn luyện trước khi mở rộng sang các bộ dữ liệu lớn hơn. Tìm hiểu thêm về các định dạng tập dữ liệu được hỗ trợ trong hướng dẫn về tập dữ liệu phân đoạn Ultralytics .
Tôi có thể tìm thấy tệp cấu hình YAML cho COCO128 -Phân đoạn dữ liệu?
Tệp cấu hình YAML cho tập dữ liệu COCO128 -Seg có sẵn trong Ultralytics kho lưu trữ. Bạn có thể truy cập tệp trực tiếp tại https://github.com/ ultralytics / ultralytics /blob/main/ ultralytics yaml . Tệp YAML bao gồm thông tin thiết yếu về đường dẫn tập dữ liệu, lớp và cài đặt cấu hình cần thiết cho việc huấn luyện và xác thực mô hình.
Một số lợi ích của việc sử dụng khảm trong quá trình đào tạo với COCO128 -Phân đoạn dữ liệu?
Sử dụng kỹ thuật ghép ảnh trong quá trình huấn luyện giúp tăng tính đa dạng và phong phú của các đối tượng và cảnh trong mỗi đợt huấn luyện. Kỹ thuật này kết hợp nhiều ảnh thành một ảnh tổng hợp duy nhất, nâng cao khả năng khái quát hóa của mô hình với các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau trong cảnh. Kỹ thuật ghép ảnh có lợi cho việc cải thiện độ mạnh mẽ và độ chính xác của mô hình, đặc biệt là khi làm việc với các tập dữ liệu có kích thước vừa phải như COCO128 -Phân đoạn. Để biết ví dụ về hình ảnh ghép, hãy xem phần Hình ảnh mẫu và Chú thích .
