Tập dữ liệu COCO8-Seg
Giới thiệu
Ultralytics COCO8-Seg là một dataset instance segmentation nhỏ nhưng linh hoạt, bao gồm 8 hình ảnh đầu tiên của tập COCO train 2017, 4 cho huấn luyện và 4 cho xác thực. Dataset này lý tưởng để kiểm tra và gỡ lỗi các mô hình segmentation hoặc để thử nghiệm các phương pháp detection mới. Với 8 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 8 (4 huấn luyện / 4 xác thực).
- Lớp: 80 danh mục COCO.
- Nhãn: Các đa giác định dạng YOLO được lưu trữ trong
labels/{train,val}khớp với từng tệp hình ảnh.
Bộ dữ liệu này được thiết kế để sử dụng với Nền tảng Ultralytics và YOLO26.
YAML bộ dữ liệu
Tệp YAML (Yet Another Markup Language) được sử dụng để định nghĩa cấu hình tập dữ liệu. Nó chứa thông tin về đường dẫn, các lớp và các thông tin liên quan khác của tập dữ liệu. Trong trường hợp tập dữ liệu COCO8-Seg, thì 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 🚀 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
Cách sử dụng
Để huấn luyện mô hình YOLO26n-seg trên tập dữ liệu COCO8-Seg trong 100 epochs với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số có sẵn, hãy tham khảo trang Training của mô hình.
Ví dụ huấn luyện
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)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo26n-seg.pt epochs=100 imgsz=640
Ảnh và Chú thích mẫu
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 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 minh họa sự đa dạng và phức tạp của các hình ảnh trong tập dữ liệu COCO8-Seg và lợi ích của việc sử dụng mosaicing trong quá trình huấn luyện.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng tập dữ liệu COCO trong công việc nghiên cứu hoặc phát triển của mình, 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 xin ghi nhận Liên minh COCO vì đã tạo và duy trì tài nguyên quý giá 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.
Câu hỏi thường gặp
Tập dữ liệu COCO8-Seg là gì và nó được sử dụng như thế nào trong Ultralytics YOLO26?
Tập dữ liệu COCO8-Seg là một tập dữ liệu phân đoạn thể hiện (instance segmentation) nhỏ gọn của Ultralytics, bao gồm 8 hình ảnh đầu tiên từ tập COCO train 2017—4 hình ảnh để huấn luyện và 4 hình ảnh để validation. Tập dữ liệu này được thiết kế riêng để kiểm tra và gỡ lỗi các mô hình segmentation hoặc thử nghiệm các phương pháp detection mới. Nó đặc biệt hữu ích với Ultralytics YOLO26 và Platform để lặp lại nhanh chóng và kiểm tra lỗi pipeline trước khi mở rộng sang các tập dữ liệu lớn hơn. Để biết cách sử dụng chi tiết, hãy tham khảo trang Training của mô hình.
Làm cách nào để huấn luyện mô hình YOLO26n-seg bằng tập dữ liệu COCO8-Seg?
Để huấn luyện một mô hình YOLO26n-seg trên tập dữ liệu COCO8-Seg trong 100 epoch với kích thước ảnh là 640, bạn có thể sử dụng các lệnh Python hoặc CLI. Dưới đây là một ví dụ nhanh:
Ví dụ huấn luyện
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)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo26n-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 tập dữ liệu COCO8-Seg lại quan trọng cho việc phát triển và gỡ lỗi mô hình?
Tập dữ liệu COCO8-Seg cung cấp một bộ 8 hình ảnh nhỏ gọn nhưng đa dạng, lý tưởng để kiểm tra và gỡ lỗi nhanh chóng các mô hình phân đoạn hoặc thử nghiệm các kỹ thuật detect mới. Kích thước nhỏ của nó cho phép kiểm tra nhanh chóng và xác thực pipeline sớm, giúp xác định các vấn đề trước khi mở rộng sang các tập dữ liệu lớn hơn. Tìm hiểu thêm về các định dạng tập dữ liệu được hỗ trợ trong hướng dẫn tập dữ liệu phân đoạn của Ultralytics.
Tôi có thể tìm thấy 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 kho lưu trữ Ultralytics. Bạn có thể truy cập trực tiếp tệp tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. Tệp YAML bao gồm thông tin cần thiết về đường dẫn tập dữ liệu, các 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 kỹ thuật ghép ảnh trong quá trình huấn luyện với tập dữ liệu COCO8-Seg là gì?
Sử dụng mosaicing trong quá trình huấn luyện giúp tăng tính đa dạng của các đối tượng và cảnh trong mỗi batch huấn luyện. Kỹ thuật này kết hợp nhiều hình ảnh thành một hình ảnh tổng hợp duy nhất, nâng cao khả năng tổng quát hóa của mô hình đối với các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau trong cảnh. Mosaicing có lợi cho việc cải thiện độ mạnh mẽ và độ chính xác của mô hình, đặc biệt khi làm việc với các tập dữ liệu nhỏ như COCO8-Seg. Để xem ví dụ về hình ảnh được mosaicing, hãy tham khảo phần Hình ảnh và Chú thích Mẫu.
