跳转至内容

COCO128-Seg 数据集

简介

Ultralytics COCO128-Seg 是一个小型但功能多样的实例分割数据集，由 COCO train 2017 数据集的前 128 张图像组成。此数据集非常适合测试和调试分割模型，或用于试验新的 detect 方法。 拥有 128 张图像，它足够小，易于管理，但又足够多样化，可以测试训练管道中的错误，并在训练更大的数据集之前作为完整性检查。

数据集结构

  • 图像：共128张。默认的yaml文件为训练和验证重用相同的目录，以便快速迭代，但如果需要，可以复制或自定义分割。
  • 类别：与 COCO 相同的 80 个目标类别。
  • 标签：YOLO 格式的多边形保存在每个图像旁边的 labels/{train,val}.

此数据集旨在与 Ultralytics HUB 和 YOLO11 一起使用。

数据集 YAML

YAML（Yet Another Markup Language）文件用于定义数据集配置。它包含数据集的路径、类别及其他相关信息。对于COCO128分割数据集， coco128-seg.yaml 文件保存在 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-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

用法

要在 COCO128-Seg 数据集上训练 YOLO11n-seg 模型，进行 100 个 epoch，图像尺寸为 640，您可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

训练示例

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

Sample Images 和注释

以下是COCO128-Seg数据集中的一些图像示例及其相应的标注：

数据集样本图像

  • Mosaiced Image：此图像演示了一个由 mosaiced 数据集图像组成的训练批次。Mosaicing 是一种在训练期间使用的技术，它将多个图像组合成一个图像，以增加每个训练批次中对象和场景的多样性。这有助于提高模型泛化到不同对象大小、纵横比和上下文的能力。

该示例展示了 COCO128-Seg 数据集中图像的多样性和复杂性，以及在训练过程中使用马赛克增强的好处。

引用和致谢

如果您在研究或开发工作中使用 COCO 数据集，请引用以下论文：

@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}
}

我们感谢 COCO 联盟为计算机视觉社区创建和维护这一宝贵资源。有关 COCO 数据集及其创建者的更多信息，请访问 COCO 数据集网站。

常见问题

COCO128-Seg数据集是什么，以及它如何用于Ultralytics YOLO11？

The COCO128-Seg数据集是Ultralytics推出的紧凑型实例segmentation数据集，由COCO train 2017集中的前128张图像组成。该数据集专为测试和调试segmentation模型或实验新的detect方法而定制。结合Ultralytics YOLO11和HUB使用尤为有效，可实现快速迭代和管道错误检查，然后再扩展到更大规模数据集。有关详细用法，请参阅模型训练页面。

如何使用 COCO128-Seg 数据集训练 YOLO11n-seg 模型？

要在 COCO128-Seg 数据集上训练一个图像尺寸为 640、进行 100 个 epoch 的 YOLO11n-seg 模型，您可以使用 Python 或 CLI 命令。这是一个快速示例：

训练示例

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

有关可用参数和配置选项的详尽说明，您可以查看训练文档。

为什么COCO128-Seg数据集对模型开发和调试很重要？

The COCO128-Seg数据集包含128张图像，兼具可管理性和多样性，使其非常适合快速测试和调试segmentation模型或实验新的detect技术。其适中的大小允许快速训练迭代，同时提供足够的多样性，以便在扩展到更大规模数据集之前验证训练管道。在Ultralytics segmentation数据集指南中了解更多支持的数据集格式。

在哪里可以找到 COCO128-Seg 数据集的 yaml 配置文件？

COCO128-Seg 数据集 的 yaml 配置文件可在 Ultralytics 仓库中找到。您可以直接通过 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml 访问该文件。该 yaml 文件包含有关数据集路径、类别以及模型训练和验证所需的配置设置等基本信息。

使用 COCO128-Seg 数据集进行训练时，使用马赛克增强有哪些好处？

在训练过程中使用马赛克增强有助于增加每个训练批次中目标和场景的多样性和丰富性。该技术将多张图像组合成一张复合图像，从而增强模型泛化到场景中不同目标尺寸、长宽比和上下文的能力。马赛克增强有助于提高模型的鲁棒性和准确性，尤其是在处理像 COCO128-Seg 这样的中等规模数据集时。有关马赛克增强图像的示例，请参阅样本图像和标注部分。



📅 创建于 3 个月前 ✏️ 更新于 1 个月前
glenn-jocherfcakyon

评论