Meet YOLO26: next-gen vision AI.

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：总计 128 张。默认的 YAML 文件在训练集和验证集中重用了同一目录，以便你快速迭代，如果需要，你也可以复制或自定义数据集划分。
  • 类别：与 COCO 相同的 80 个对象类别。
  • 标签：以 YOLO 格式存储的多边形标签，保存在每张图像对应的 labels/{train,val} 文件夹中。

此数据集旨在与 Ultralytics Platform 和 YOLO26 配合使用。

Link to this section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/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

Link 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。

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)

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：

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。

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马赛克（mosaicing）增强的好处。

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：

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 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：

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，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？#

COCO128-Seg 数据集在可管理性和多样性之间取得了平衡，共包含 128 张图像，非常适合快速测试和调试分割模型，或尝试新的检测技术。它适中的规模既能实现快速的训练迭代，又具备足够的多样性，能在扩展到更大规模数据集之前验证训练流程。在 Ultralytics 分割数据集指南 中了解更多有关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 section在 COCO128-Seg 数据集训练中使用马赛克增强有哪些好处？#

在训练期间使用马赛克增强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、长宽比以及场景上下文的泛化能力。对于像 COCO128-Seg 这样规模适中的数据集，马赛克增强对于提升模型的鲁棒性和准确性非常有帮助。有关马赛克图像的示例，请参阅示例图像和标注部分。

贡献者
GLglenn-jocher5RAraimbekovm1FCfcakyon1

评论