Link to this sectionTập dữ liệu COCO8-Seg#
Link to this sectionGiới thiệu#
Ultralytics COCO8-Seg là một tập dữ liệu instance segmentation nhỏ gọn nhưng linh hoạt, bao gồm 8 hình ảnh đầu tiên của tập COCO train 2017, với 4 hình ảnh dùng để huấn luyện và 4 hình ảnh dùng để kiểm định. Tập dữ liệu này rất lý tưởng để thử nghiệm và gỡ lỗi các model segmentation, hoặc để thử nghiệm các phương pháp phát hiện mới. Với 8 hình ảnh, nó đủ nhỏ để dễ dàng quản lý, nhưng cũng đủ đa dạng để kiểm tra các pipeline huấn luyện tìm lỗi và đóng vai trò như một bước kiểm tra sơ bộ trước khi huấn luyện trên các tập dữ liệu lớn hơn.
Link to this sectionCấu trúc tập dữ liệu#
- Hình ảnh: Tổng cộng 8 (4 train / 4 val).
- Lớp: 80 danh mục COCO.
- Nhãn: Các đa giác theo định dạng YOLO được lưu trữ trong thư mục
labels/{train,val}tương ứng với từng tệp hình ảnh. - Dung lượng tải xuống: ~1 MB.
Khám phá COCO8-Seg trên Nền tảng Ultralytics để duyệt qua mọi hình ảnh cùng các đa giác mặt nạ (polygon masks), xem phân bổ lớp và bản đồ nhiệt chú thích trong tab Charts, đồng thời sao chép (clone) tập dữ liệu để huấn luyện model riêng của bạn trên cloud.
Link to this sectionYAML tập dữ liệu#
Một tệp YAML được sử dụng để định nghĩa cấu hình tập dữ liệu. Nó chứa thông tin về các đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Đối với tập dữ liệu COCO8-Seg, tệp coco8-seg.yaml được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/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.zipLink to this sectionCách sử dụng#
Để huấn luyện một model YOLO26n-seg trên tập dữ liệu COCO8-Seg trong 100 epoch với kích thước hình ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để có danh sách đầy đủ các đối số 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="coco8-seg.yaml", epochs=100, imgsz=640)Link to this sectionHình ảnh mẫu và chú thích#
Dưới đây là một số ví dụ về các hình ảnh từ tập dữ liệu COCO8-Seg cùng với các chú thích tương ứng:
- Hình ảnh Mosaiced: Hình ảnh này minh họa một batch huấn luyện bao gồm các hình ảnh từ tập dữ liệu đã được áp dụng kỹ thuật Mosaic. Mosaic là một kỹ thuật được sử dụng trong quá trình huấn luyện nhằm kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các đối tượng và bối cảnh trong mỗi batch huấn luyện. Điều này giúp cải thiện khả năng tổng quát hóa của model đối với các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.
Link to this sectionTrích dẫn và Ghi 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:
@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 COCO Consortium vì đã tạo ra và duy trì nguồn tài nguyên quý giá này cho cộng đồng computer vision. 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.
Link to this sectionCâu hỏi thường gặp#
Link to this sectionTập 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 thực thể (instance segmentation) nhỏ gọn do Ultralytics cung cấp, bao gồm 8 hình ảnh đầu tiên từ tập COCO train 2017 (4 ảnh để huấn luyện, 4 ảnh để xác thực). Tập dữ liệu này được thiết kế riêng cho việc kiểm thử và gỡ lỗi các model phân đoạn hoặc thử nghiệm các phương pháp phát hiện mới. Nó đặc biệt hữu ích khi kết hợp với Ultralytics YOLO26 để lặp lại nhanh và kiểm tra lỗi pipeline trước khi mở rộng ra các tập dữ liệu lớn hơn. Để biết cách sử dụng chi tiết, hãy tham khảo trang Training của model.
Link to this sectionLàm thế nào để tôi có thể huấn luyện một model YOLO26n-seg sử dụng tập dữ liệu COCO8-Seg?#
Để huấn luyện một model YOLO26n-seg trên tập dữ liệu COCO8-Seg trong 100 epoch với kích thước hình ảnh là 640, bạn có thể sử dụng Python hoặc các lệnh CLI. Đây là một ví dụ nhanh:
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)Để có giải thích đầy đủ về các đối số khả dụng và các tùy chọn cấu hình, bạn có thể xem tài liệu Training.
Link to this sectionTại sao tập dữ liệu COCO8-Seg lại quan trọng đối với việc phát triển và gỡ lỗi model?#
Vì vòng lặp tải xuống và train/val nhỏ hơn nhiều so với bộ COCO đầy đủ, COCO8-Seg cho phép bạn chạy một lượt huấn luyện và xác thực để phát hiện các lỗi pipeline — như data loader bị hỏng, hàm loss được cấu hình sai, hoặc augmentation không phù hợp — trước khi thực hiện trên một tập 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 của Ultralytics.
Link to this sectionTôi 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 kho lưu trữ của Ultralytics. Bạn có thể truy cập tệp trực tiếp tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. Tệp YAML bao gồm thông tin thiết yếu về đường dẫn tập dữ liệu, các lớp và các cài đặt cấu hình cần thiết để huấn luyện và kiểm định model.
Link to this sectionCOCO8-Seg so sánh như thế nào với COCO128-Seg và tập dữ liệu COCO-Seg đầy đủ?#
COCO8-Seg (8 hình ảnh) có kích thước nhỏ hơn so với COCO128-Seg (128 hình ảnh) và tập COCO-Seg đầy đủ (118.287 hình ảnh huấn luyện):
- COCO8-Seg: 8 hình ảnh (4 train, 4 val) — kiểm tra nhanh (sanity check) nhanh nhất, lý tưởng cho CI và gỡ lỗi nhanh.
- COCO128-Seg: 128 hình ảnh — cân bằng giữa kích thước và sự đa dạng, với train và val dùng chung một thư mục.
- Full COCO-Seg: 118.287 hình ảnh huấn luyện — toàn diện nhưng đòi hỏi tài nguyên lớn, yêu cầu ~27 GB khi tải xuống lần đầu.
Hãy sử dụng COCO8-Seg để kiểm tra pipeline nhanh nhất có thể, sau đó mở rộng sang COCO128-Seg hoặc tập COCO-Seg đầy đủ khi mức độ tin cậy đã tăng lên.