Tập dữ liệu COCO8-SEG

Q: What is the COCO8-Seg dataset, and how is it used in Ultralytics YOLO11?

Bộ dữ liệu COCO8-Seg là một bộ dữ liệu phân đoạn trường hợp nhỏ gọn theo Ultralytics , bao gồm 8 hình ảnh đầu tiên từ bộ COCO train 2017—4 hình ảnh để đào tạo và 4 hình ảnh để xác thực. Bộ dữ liệu này được thiết kế riêng để thử nghiệm 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 để lặp lại nhanh và kiểm tra lỗi đường ống trước khi mở rộng quy mô lên các tập dữ liệu lớn hơn. Để biết cách sử dụng chi tiết, hãy tham khảo trang Đào tạo mô hình.

Q: Why is the COCO8-Seg dataset important for model development and debugging?

Bộ dữ liệu COCO8-Seg lý tưởng cho khả năng quản lý và đa dạng của nó trong một kích thước nhỏ. Nó chỉ bao gồm 8 hình ảnh, cung cấp một cách nhanh chóng để kiểm tra và gỡ lỗi các mô hình phân đoạn hoặc các phương pháp phát hiện mới mà không cần chi phí cho các bộ dữ liệu lớn hơn. Điều này làm cho nó trở thành một công cụ hiệu quả để kiểm tra sự tỉnh táo và xác định lỗi đường ống trước khi cam kết đào tạo mở rộng về các bộ dữ liệu lớn. Tìm hiểu thêm về định dạng tập dữ liệu tại đây.

Q: Where can I find the YAML configuration file for the COCO8-Seg dataset?

Tệp cấu hình YAML cho tập dữ liệu COCO8-Seg có sẵn trong Ultralytics Kho. Bạn có thể truy cập tệp trực tiếp tại đây. Tệp YAML bao gồm thông tin cần thiết về đường dẫn tập dữ liệu, lớp và cài đặt cấu hình cần thiết để đào tạo và xác thực mô hình.

Q: What are some benefits of using mosaicing during training with the COCO8-Seg dataset?

Sử dụng khảm trong quá trình huấn luyện giúp tăng sự đa dạng và đa dạng về đồ vật, cảnh vật trong từng đợt huấn luyện. Kỹ thuật này kết hợp nhiều hình ảnh thành một hình ảnh tổng hợp duy nhất, nâng cao khả năng của mô hình để khái quát hóa theo các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau trong cảnh. Khảm có lợi cho việc cải thiện độ mạnh mẽ và độ chính xác của mô hình, đặc biệt là khi làm việc với các bộ dữ liệu nhỏ như COCO8-Seg. Để biết ví dụ về hình ảnh khảm, hãy xem phần Hình ảnh mẫu và Chú thích.

Giới thiệu

Ultralytics COCO8-Seg là một tập dữ liệu phân đoạn trường hợp nhỏ nhưng đa năng bao gồm 8 hình ảnh đầu tiên của tập COCO train 2017, 4 để đào tạo và 4 để xác thực. Tập dữ liệu này lý tưởng để thử nghiệm và gỡ lỗi các mô hình phân đoạn hoặc để thử nghiệm các phương pháp phát hiện mới. Với 8 hình ảnh, nó đủ nhỏ để dễ quản lý, nhưng đủ đa dạng để kiểm tra các đường ống đào tạo để tìm lỗi và hoạt động như một kiểm tra hợp lý trước khi đào tạo các tập dữ liệu lớn hơn.

Bộ dữ liệu này được dự định sử dụng với Ultralytics HUB và YOLO11 .

Tập dữ liệu YAML

Tệp YAML (Yet Another Markup Language) được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về đường dẫn, lớp và thông tin liên quan khác của tập dữ liệu. Trong trường hợp tập dữ liệu COCO8-Seg, coco8-seg.yaml Tệp được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml.

ultralytics/cfg/datasets/coco8-seg.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

Sử dụng

Để đào tạo mô hình YOLO11n-seg trên tập dữ liệu COCO8-Seg trong 100 kỷ nguyên với kích thước hình 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 về tàu hỏa

PythonCLI

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

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Hình ảnh mẫu và chú thích

Dưới đây là một số ví dụ về hình ảnh từ tập dữ liệu COCO8-Seg, cùng với các chú thích tương ứng của chúng:

Hình ảnh mẫu tập dữ liệu

Hình ảnh khảm: Hình ảnh này thể hiện một lô đào tạo bao gồm các hình ảnh tập dữ liệu được khảm. Khảm là một kỹ thuật được sử dụng trong quá trình đào tạo kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các đối tượng và cảnh trong mỗi đợt đào tạo. Điều này giúp cải thiện khả năng khái quát hóa mô hình cho các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau.

Ví dụ này cho thấy sự đa dạng và phức tạp của hình ảnh trong tập dữ liệu COCO8-Seg và lợi ích của việc sử dụng khảm trong quá trình đào tạo.

Trích dẫn và xác nhận

Nếu bạn sử dụng bộ dữ liệu COCO trong công việc nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:

BibTeX

@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 cảm ơn COCO Consortium đã 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 tập dữ liệu COCO và những người tạo ra nó, hãy truy cập trang web tập dữ liệu COCO .

FAQ

Bộ dữ liệu COCO8-Seg là gì và nó được sử dụng như thế nào trong Ultralytics YOLO11 là gì?

Bộ dữ liệu COCO8-Seg là một bộ dữ liệu phân đoạn trường hợp nhỏ gọn theo Ultralytics , bao gồm 8 hình ảnh đầu tiên từ bộ COCO train 2017—4 hình ảnh để đào tạo và 4 hình ảnh để xác thực. Bộ dữ liệu này được thiết kế riêng để thử nghiệm 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 để lặp lại nhanh và kiểm tra lỗi đường ống trước khi mở rộng quy mô lên các tập dữ liệu lớn hơn. Để biết cách sử dụng chi tiết, hãy tham khảo trang Đào tạo mô hình.

Làm thế nào tôi có thể đào tạo mô hình YOLO11n-seg bằng tập dữ liệu COCO8-Seg?

Để đào tạo mô hình YOLO11n-seg trên tập dữ liệu COCO8-Seg trong 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 về tàu hỏa

PythonCLI

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

# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640

Để được giải thích kỹ lưỡng về các đối số và tùy chọn cấu hình có sẵn, bạn có thể kiểm tra tài liệu Đào tạo .

Tại sao bộ dữ liệu COCO8-Seg lại quan trọng đối với việc phát triển và gỡ lỗi mô hình?

Bộ dữ liệu COCO8-Seg lý tưởng cho khả năng quản lý và đa dạng của nó trong một kích thước nhỏ. Nó chỉ bao gồm 8 hình ảnh, cung cấp một cách nhanh chóng để kiểm tra và gỡ lỗi các mô hình phân đoạn hoặc các phương pháp phát hiện mới mà không cần chi phí cho các bộ dữ liệu lớn hơn. Điều này làm cho nó trở thành một công cụ hiệu quả để kiểm tra sự tỉnh táo và xác định lỗi đường ống trước khi cam kết đào tạo mở rộng về các bộ dữ liệu lớn. Tìm hiểu thêm về định dạng tập dữ liệu tại đây.

Tôi có thể tìm tệp cấu hình YAML cho tập dữ liệu COCO8-Seg ở đâu?

Tệp cấu hình YAML cho tập dữ liệu COCO8-Seg có sẵn trong Ultralytics Kho. Bạn có thể truy cập tệp trực tiếp tại đây. Tệp YAML bao gồm thông tin cần thiết về đường dẫn tập dữ liệu, lớp và cài đặt cấu hình cần thiết để đào tạo và xác thực mô hình.

Một số lợi ích của việc sử dụng khảm trong quá trình đào tạo với bộ dữ liệu COCO8-Seg là gì?

Sử dụng khảm trong quá trình đào tạo giúp tăng tính đa dạng và phong phú của các đối tượng và cảnh trong mỗi đợt đào tạo. Kỹ thuật này kết hợp nhiều hình ảnh thành một hình ảnh tổng hợp duy nhất, tăng cường khả năng khái quát hóa của mô hình đối với các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau trong cảnh. Khảm 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 nhỏ như COCO8-Seg. Để biết ví dụ về hình ảnh khảm, hãy xem phần Hình ảnh mẫu và Chú thích .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 1 tháng