Link to this sectionCOCO128-Seg 数据集#
Link to this section简介#
Ultralytics COCO128-Seg 是一个规模虽小但功能齐全的实例分割数据集，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，规模适中且易于管理，同时具备足够的代表性，能够测试训练流水线是否存在错误，并在训练更大规模的数据集之前进行完整性检查。
Link to this section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：以 YOLO 格式存储的各种多边形，位于
labels/train2017中，用于共享的训练和验证图像目录。 - 下载大小：约 7 MB。
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 配合使用。
Link to this section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、类别及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 🚀 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.zipLink to this section用法#
若要使用图像尺寸 640 在 COCO128-Seg 数据集上训练 YOLO26n-seg 模型 100 个轮次，你可以参考以下代码片段。有关可用参数的详细列表，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)Link to this section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：
- 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。
Link to this section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：
@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 为计算机视觉社区创建并维护这一宝贵资源。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。
Link to this section常见问题解答#
Link to this section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。它特别适用于配合 Ultralytics YOLO26 和 Platform 进行快速迭代，并在扩展到更大的数据集之前检查流水线错误。如需了解详细用法，请参阅模型训练页面。
Link to this section如何使用 COCO128-Seg 数据集训练 YOLO26n-seg 模型？#
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：
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，你可以查看训练文档。
Link to this section为什么 COCO128-Seg 数据集对模型开发和调试很重要？#
由于其下载量和训练/验证循环远小于完整的 COCO，COCO128-Seg 可让你在新的流程上进行 1 个 epoch 的完整性检查——验证模型训练、验证和保存检查点是否正确——然后再扩展到完整的 COCO-Seg 数据集。在 Ultralytics 分割数据集指南中了解更多关于支持的数据集格式的信息。
Link to this section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 代码仓库中获取。你可以通过 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128-seg.yaml 直接访问该文件。YAML 文件包含模型训练和验证所需的数据集路径、类别和配置设置等核心信息。
Link to this sectionCOCO128-Seg 与 COCO8-Seg 及完整版 COCO-Seg 数据集相比如何？#
从大小上看，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。