YOLO Vision 2026：
CC BY 4.0

COCO128-Seg 数据集#

简介#

Ultralytics COCO128-Seg 是一个规模小但功能全面的实例分割数据集，由 COCO train 2017 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，或者用于尝试新的检测方法。凭借 128 张图像，它既小巧到易于管理，又足够多样化，能够在训练更大规模的数据集之前，测试训练流程中的错误并充当健全性检查。

数据集结构#

  • 图像：共 128 张，训练集和验证集划分相同（见下文说明）。
  • 类别：与 COCO 相同的 80 个对象类别。
  • 标签：存储在 labels/train2017 中的 YOLO 格式多边形，用于共享的训练和验证图像目录。
  • 下载大小：约 7 MB。
注意

默认的 YAML 将训练集和验证集指向相同的 128 张图像，因此验证指标衡量的是训练集上的拟合情况，而非留出数据上的泛化能力。如果你需要真实的留出集，请复制或自定义划分方式。

此数据集旨在与 Ultralytics Platform 和 YOLO26 一起使用。

数据集 YAML#

YAML 文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息的内容。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

用法#

要在 COCO128-Seg 数据集上以 640 的图像尺寸训练 YOLO26n-seg 模型 100 个轮次，你可以使用以下代码片段。有关可用参数的完整列表，请参考模型训练页面。

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)

样本图像和标注#

以下是 COCO128-Seg 数据集中图像及其对应标注的一些示例：

COCO128-seg instance segmentation dataset mosaic
  • 马赛克图像：此图像展示了一个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物体和场景的多样性。这有助于提高模型对不同物体尺寸、宽高比和上下文的泛化能力。

引用与致谢#

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：

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}
}

我们要感谢 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 dataset website。

常见问题解答#

  • COCO128-Seg 数据集是 Ultralytics 提供的一个紧凑的实例分割数据集，包含来自 COCO train 2017 集的前 128 张图像。该数据集专为测试和调试分割模型或试验新检测方法而定制。它与 Ultralytics YOLO26 和平台配合使用特别有用，可在扩展到更大的数据集之前实现快速迭代和流程错误检查。有关详细用法，请参考模型训练页面。

  • 若要使用 Python 或 CLI 命令在 COCO128-Seg 数据集上训练 YOLO26n-seg 模型，进行 100 个轮次且图像尺寸为 640，你可以参考以下快速示例：

    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解释，你可以查看训练文档。

  • 由于下载和训练/验证循环比完整的 COCO 小得多，COCO128-Seg 允许你在扩展到完整的 COCO-Seg 数据集之前，对新流程运行 1 个轮次的健全性检查——验证模型是否能够正确进行训练、验证和保存检查点。在 Ultralytics 分割数据集指南中了解有关支持的数据集格式的更多信息。

  • COCO128-Seg 数据集的 YAML 配置文件可在 Ultralytics 仓库中找到。你可以直接访问 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml 处的文件。该 YAML 文件包括模型训练和验证所需的数据集路径、类别和配置设置等重要信息。

  • 就规模而言，COCO128-Seg（128 张图像）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 张训练，4 张验证）——非常适合快速完整性检查和调试。
    • COCO128-Seg：128 张图片——在规模和多样性之间取得了平衡，训练集和验证集共享同一个目录。
    • Full COCO-Seg：118,287 张训练图片——全面但资源密集，首次下载需要约 27 GB 空间。

    与 COCO8-Seg 相比，COCO128-Seg 提供了更高的多样性，同时在实验和模型初期开发方面仍然比完整的 COCO-Seg 数据集更易于管理。

贡献者
GLglenn-jocher7RAraimbekovm4PDpderrenger1FCfcakyon1

评论