COCO128-Seg 数据集
介绍
Ultralytics COCO128-Seg 是一个小巧但功能全面的实例分割数据集，由 COCO train 2017 数据集的前 128 张图像组成。该数据集非常适合测试和调试分割模型，或用于尝试新的检测方法。它包含 128 张图像，既小到易于管理，又具有足够的多样性，足以测试训练流水线是否存在错误，并作为训练更大规模数据集之前的完整性检查。
数据集结构
- 图像：共 128 张。默认的 YAML 文件在训练集和验证集中复用了相同的目录，以便你可以快速迭代，但如果需要，你也可以复制或自定义划分。
- 类别：与 COCO 相同的 80 个目标类别。
- 标签：以 YOLO 格式存储的各种多边形，保存在每张图像旁边的
labels/{train,val}文件夹中。
此数据集旨在与 Ultralytics Platform 和 YOLO26 配合使用。
数据集 YAML
YAML (Yet Another Markup Language) 文件用于定义数据集配置。它包含有关数据集路径、类别及其他相关信息。对于 COCO128-Seg 数据集，coco128-seg.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/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使用方法
要使用 640 的图像尺寸在 COCO128-Seg 数据集上训练 YOLO26n-seg 模型 100 个 epoch，你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。
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="coco128-seg.yaml", epochs=100, imgsz=640)样本图像和标注
以下是 COCO128-Seg 数据集中图像的一些示例及其对应的标注：
- 马赛克图像：此图像展示了由马赛克数据集图像组成的训练批次。马赛克是一种在训练期间使用的技术，它将多张图像合并为单张图像，以增加每个训练批次中目标和场景的多样性。这有助于提高模型对不同目标尺寸、长宽比和上下文的泛化能力。
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镶嵌增强（mosaicing）的好处。
引文与致谢
如果你在研究或开发工作中使用了 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 社区创建并维护了这一宝贵资源。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 (FAQ)
什么是 COCO128-Seg 数据集，它如何在 Ultralytics YOLO26 中使用？
COCO128-Seg 数据集是由 Ultralytics 提供的一个紧凑型实例分割数据集，包含 COCO train 2017 数据集的前 128 张图像。该数据集专为测试和调试分割模型或尝试新的检测方法而设计。它特别适用于 Ultralytics YOLO26 和 平台，用于快速迭代和在扩展到更大数据集之前检查流水线错误。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 YOLO26n-seg 模型？
要使用 640 的图像尺寸在 COCO128-Seg 数据集上训练 YOLO26n-seg 模型 100 个 epoch，你可以使用 Python 或 CLI 命令。这是一个简单的示例：
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="coco128-seg.yaml", epochs=100, imgsz=640)有关可用参数和配置选项的详细说明，你可以查阅训练文档。
为什么 COCO128-Seg 数据集对于模型开发和调试很重要？
COCO128-Seg 数据集通过 128 张图像在易管理性和多样性之间实现了平衡，非常适合快速测试和调试分割模型或尝试新的检测技术。其适中的规模允许快速进行训练迭代，同时提供了足够的多样性，可以在扩展到更大规模数据集之前验证训练流水线。了解有关支持的数据集格式的更多信息，请参阅 Ultralytics 分割数据集指南。
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。你可以直接通过 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml 访问该文件。YAML 文件包含了模型训练和验证所需的数据集路径、类别和配置设置等基本信息。
在 COCO128-Seg 数据集训练期间使用镶嵌增强（mosaicing）有什么好处？
在训练期间使用 mosaicing 有助于增加每个训练批次中对象和场景的多样性。该技术将多张图像组合成一张复合图像，增强了模型对不同对象尺寸、纵横比和场景上下文的泛化能力。Mosaicing 有助于提高模型的稳健性和准确性，特别是在使用像 COCO128-Seg 这样中等规模的数据集时。有关镶嵌图像的示例，请参阅示例图像和标注部分。