YOLO Vision 2026：
CC BY 4.0

COCO8-Seg 数据集#

简介#

Ultralytics COCO8-Seg 是一个规模小但功能多样的实例分割数据集，由 COCO train 2017 集的前 8 张图像组成，其中 4 张用于训练，4 张用于验证。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。由于只有 8 张图像，它既小到易于管理，又足够多样化，能够在训练大型数据集之前测试训练管道中的错误并进行完整性检查。

数据集结构#

  • 图像：总计 8 张（4 张训练/4 张验证）。
  • 类别：80 个 COCO 类别。
  • 标签：以 YOLO 格式存储在 labels/{train,val} 下的多边形，与每个图像文件相对应。
  • 下载大小：约 1 MB。

在 COCO8-Seg on Ultralytics Platform 中浏览每张图像及其多边形掩码，在 Charts 选项卡中查看类别分布和标注热力图，并将其克隆到云端以训练你自己的模型。

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信息。对于 COCO8-Seg 数据集，coco8-seg.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml。

ultralytics/cfg/datasets/coco8-seg.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-seg dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/segment/coco8-seg
# Example usage: yolo train data=coco8-seg.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-seg ← downloads here (1 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: coco8-seg # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8-seg.zip

用法#

要在 COCO8-Seg 数据集上训练 YOLO26n-seg 模型 100 个周期，图像大小为 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="coco8-seg.yaml", epochs=100, imgsz=640)

样本图像和标注#

以下是来自 COCO8-Seg 数据集的图像示例及其对应的标注：

COCO8-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#

  • COCO8-Seg dataset 是 Ultralytics 推出的一个紧凑型实例分割数据集，包含 COCO train 2017 集的前 8 张图像（4 张用于训练，4 张用于验证）。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。在扩展到更大的数据集之前，它与 Ultralytics YOLO26 配合使用，对于快速迭代和管道错误检查特别有用。有关详细用法，请参考模型训练页面。

  • 若要在 COCO8-Seg 数据集上训练 YOLO26n-seg 模型 100 个 epoch（图像尺寸为 640），你可以使用 Python 或 CLI 命令。这是一个简单的示例：

    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="coco8-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，COCO8-Seg 允许你运行训练和验证通道来捕获管道错误——例如损坏的数据加载器、配置错误的损失或糟糕的数据增强——然后再提交给更大的数据集。在 Ultralytics segmentation dataset guide 中了解有关支持的数据集格式的更多信息。

  • COCO8-Seg dataset 的 YAML 配置文件可在 Ultralytics 存储库中找到。你可以直接在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml 访问该文件。YAML 文件包含模型训练和验证所需的关于数据集路径、类别和配置设置的基本信息。

  • 就规模而言，COCO8-Seg（8 张图像）排在 COCO128-Seg（128 张图像）和完整的 COCO-Seg 数据集（118,287 张训练图像）之下：

    • COCO8-Seg：8 张图片（4 张训练，4 张验证）——最快的完整性检查，非常适合 CI 和快速调试。
    • 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。

    使用 COCO8-Seg 进行最快的流水线检查，然后随着信心的增加，扩展到 COCO128-Seg 或完整的 COCO-Seg 数据集。

贡献者
GLglenn-jocher17RAraimbekovm4JKjk4e2PDpderrenger1MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

评论