跳转至内容

COCO128-Seg 数据集

简介

UltralyticsCOCO128-Seg 是一个小型但通用的实例分割数据集，由 COCO train 2017 集的前 128 幅图像组成。该数据集非常适合测试和调试分割模型，或尝试新的检测方法。它有 128 幅图像，小到易于管理，但又足够多样化，可以测试训练管道是否存在错误，并在训练更大的数据集之前作为理智检查。

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

数据集 YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含数据集的路径、类和其他相关信息。以 COCO128-Seg 数据集为例，YAML 文件中的 coco128-seg.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml.

ultralytics.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.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 数据集上对 YOLO11n-seg 模型进行 100次历时训练（图像大小为 640），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

下面是 COCO128-Seg 数据集中的一些图像示例及其相应的注释：

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镶嵌技术的好处。

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}
}

我们要感谢 COCO Consortium 创建和维护这个有价值的计算机视觉社区资源。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

什么是 COCO128-Seg 数据集，在Ultralytics YOLO11 中如何使用？

COCO128-Seg 数据集是 Ultralytics 的一个紧凑型实例分割数据集，由 COCO train 2017 数据集中的前 128 幅图像组成。该数据集专为测试和调试分割模型或试验新的检测方法而定制。它尤其适用于Ultralytics YOLO11和HUB进行快速迭代和管道错误检查，然后再扩展到更大的数据集。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 数据集上对YOLO11n-seg模型进行 100 次历时训练（图像大小为 640），可以使用Python 或CLI 命令。下面是一个快速示例：

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非常重要？

COCO128-Seg 数据集由128 幅图像组成，兼顾了可管理性和多样性，非常适合快速测试和调试分割模型或试验新的检测技术。该数据集大小适中，可实现快速训练迭代，同时提供足够的多样性，以便在扩展到更大的数据集之前验证训练管道。在Ultralytics 细分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 存储库中找到。您可以直接从ultralytics 访问该文件。YAML 文件包含模型训练和验证所需的数据集路径、类和配置设置等基本信息。

在 COCO128-Seg 数据集的训练过程中使用镶嵌技术有哪些好处？

在训练过程中使用马赛克技术有助于增加每个训练批次中物体和场景的多样性和种类。这种技术将多幅图像合并为一幅合成图像，从而增强了模型对不同物体大小、长宽比和场景中不同环境的泛化能力。镶嵌技术有利于提高模型的稳健性和准确性，尤其是在处理 COCO128-Seg 等中等大小的数据集时。有关镶嵌图像的示例，请参阅样本图像和注释部分。



📅 创建于 0 天前 ✏️ 最近更新 0 天前
fcakyon

评论