Ultralytics YOLO27：
CC BY 4.0

COCO128-Seg 数据集#

简介#

Ultralytics COCO128-Seg 是一个小巧而通用的实例分割数据集，由 COCO train 2017 数据集中的前 128 张图像组成。该数据集非常适合测试和调试分割模型，或试验新的检测方法。它包含 128 张图像，规模足够小，便于管理，同时又具有足够的多样性，可用于检查训练流程中的错误，并在训练更大数据集之前执行合理性检查。

数据集结构#

  • 图像：共 128 张，train 和 val 使用完全相同的划分（见下方注释）。
  • 类别：与 COCO 相同的 80 个对象类别。
  • 标签：YOLO 格式的多边形，存储在共享 train 和 val 图像目录的 labels/train2017 中。
  • 下载大小：~7 MB。
注意

默认 YAML 将 train 和 val 都指向相同的 128 张图像，因此验证指标衡量的是模型在训练集上的拟合程度，而不是在留出数据上的泛化能力。如果你需要真正的留出集，请复制或自定义数据划分。

此数据集适用于 Ultralytics Platform 和 YOLO26。

数据集 YAML#

使用 YAML 文件定义数据集配置。它包含数据集路径、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/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/coco128-seg
# 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#

要在 COCO128-Seg 数据集上训练 YOLO26n-seg 模型 100 个周期，并将图像大小设置为 640，你可以使用以下代码片段。有关可用参数的完整列表，请参阅模型的训练页面。

训练示例
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)

示例图像和标注#

以下是 COCO128-Seg 数据集中的一些图像示例及其对应的标注：

COCO128-seg instance segmentation dataset mosaic
  • 马赛克图像：此图像展示了由马赛克拼接数据集图像组成的训练批次。马赛克拼接是训练期间使用的一种技术，它将多张图像合并为一张图像，以增加每个训练批次中物体和场景的多样性。这有助于提升模型对不同物体大小、宽高比和上下文的泛化能力。

引用和致谢#

如果你在研究或开发工作中使用 COCO 数据集，请引用以下论文：

引用
@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 Consortium 创建并维护这一为计算机视觉社区提供的重要资源。如需了解有关 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 数据集是由 Ultralytics 提供的紧凑型实例分割数据集，由 COCO train 2017 数据集中的前 128 张图像组成。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设计。它与 Ultralytics 的 YOLO26 和平台结合使用时尤其适合快速迭代，以及在扩展到更大数据集之前检查流程错误。如需详细用法，请参阅模型的训练页面。

  • 要在 COCO128-Seg 数据集上训练 YOLO26n-seg 模型 100 个周期，并将图像大小设置为 640，你可以使用 Python 或 CLI 命令。下面是一个简单示例：

    训练示例
    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，请参阅训练文档。

  • 由于下载内容以及训练/验证循环都比完整 COCO 小得多，COCO128-Seg 可以让你在扩展到完整 COCO-Seg 数据集之前，对新流程运行 1 个周期的合理性检查，验证模型是否能够正确训练、验证并保存检查点。你可以在 Ultralytics 分割数据集指南中了解有关受支持数据集格式的更多信息。

  • COCO128-Seg 数据集的 YAML 配置文件位于 Ultralytics 代码仓库中。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 文件包含模型训练和验证所需的数据集路径、类别及配置设置等关键信息。

  • COCO128-Seg（128 张图像）的规模介于 COCO8-Seg（8 张图像）和完整的 COCO-Seg 数据集（118,287 张训练图像）之间：

    • COCO8-Seg：8 张图像（4 张用于 train，4 张用于 val）——非常适合快速合理性检查和调试。
    • COCO128-Seg：128 张图像——在规模和多样性之间取得平衡，训练集和验证集共用同一目录。
    • 完整 COCO-Seg：118,287 张训练图像——内容全面但资源消耗大，首次下载需要约 20 GB。

    COCO128-Seg 比 COCO8-Seg 具有更高的多样性，同时对于实验和模型初步开发而言，仍比完整 COCO-Seg 数据集更易于管理。

贡献者
GLglenn-jocher8RAraimbekovm4PDpderrenger1FCfcakyon1

评论