跳转至内容

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 HUBYOLO11 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:

数据集样本图像

  • 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 YOLO11HUB 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。



📅 创建于 1 年前 ✏️ 更新于 4 个月前

评论