COCO8-Seg 数据集
简介
Ultralytics COCO8-Seg 是一个小型但通用的实例分割数据集，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。此数据集非常适合测试和调试分割模型，或用于试验新的检测方法。它包含 8 张图像，足够小，易于管理，但又足够多样化，可以测试训练管道中的错误，并在训练更大的数据集之前充当完整性检查。
此数据集旨在与 Ultralytics HUB 和 YOLO11 一起使用。
数据集 YAML
YAML（Yet Another Markup Language）文件用于定义数据集配置，其中包含数据集的路径、类别和其他相关信息。对于COCO8-Seg数据集， coco8-seg.yaml 文件保存在 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 YOLO11n-seg 模型，设置图像大小为 640，训练 100 个 epochs，您可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。
训练示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
Sample Images 和注释
以下是一些来自 COCO8-Seg 数据集的图像示例，以及它们对应的注释：
- Mosaiced Image：此图像演示了一个由 mosaiced 数据集图像组成的训练批次。Mosaicing 是一种在训练期间使用的技术，它将多个图像组合成一个图像，以增加每个训练批次中对象和场景的多样性。这有助于提高模型泛化到不同对象大小、纵横比和上下文的能力。
该示例展示了 COCO8-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图像拼接的好处。
引用和致谢
如果您在研究或开发工作中使用 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 创建和维护这个有价值的计算机视觉社区资源。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。
常见问题
什么是 COCO8-Seg 数据集？它在 Ultralytics YOLO11 中是如何使用的？
COCO8-Seg 数据集是由 Ultralytics 提供的一个紧凑的实例分割数据集，由 COCO train 2017 数据集中的前 8 张图像组成——4 张用于训练，4 张用于验证。此数据集专为测试和调试分割模型或试验新的检测方法而定制。它与 Ultralytics YOLO11 和 HUB 结合使用特别有用，可在扩展到更大的数据集之前进行快速迭代和流水线错误检查。有关详细用法，请参阅模型训练页面。
如何使用 COCO8-Seg 数据集训练 YOLO11n-seg 模型？
要在 COCO8-Seg 数据集上训练 YOLO11n-seg 模型 100 个 epoch，图像大小为 640，您可以使用 python 或 CLI 命令。这是一个快速示例：
训练示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-seg.pt") # Load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-seg.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo segment train data=coco8-seg.yaml model=yolo11n-seg.pt epochs=100 imgsz=640
有关可用参数和配置选项的详尽说明，您可以查看训练文档。
为什么 COCO8-Seg 数据集对于模型开发和调试如此重要？
COCO8-Seg 数据集提供了一组紧凑而多样化的 8 张图像，非常适合快速测试和调试分割模型或试验新的检测技术。它体积小巧，可以进行快速的完整性检查和早期管道验证，有助于在扩展到更大的数据集之前发现问题。请在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。
在哪里可以找到 COCO8-Seg 数据集的 YAML 配置文件？
COCO8-Seg 数据集的 YAML 配置文件可在 Ultralytics 仓库中找到。您可以直接通过 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml 访问该文件。该 YAML 文件包含数据集路径、类别以及模型训练和验证所需的配置设置等基本信息。
在使用 COCO8-Seg 数据集进行训练时，使用 mosaicing 有哪些好处？
在训练期间使用 mosaicing 有助于增加每个训练批次中对象和场景的多样性。此技术将多个图像组合成单个合成图像，从而增强模型对场景中不同对象大小、纵横比和上下文的泛化能力。Mosaicing 有利于提高模型的鲁棒性和准确性，尤其是在处理像 COCO8-Seg 这样的小型数据集时。有关 mosaiced 图像的示例，请参见示例图像和注释部分。
