Link to this sectionCOCO8-Seg 数据集#

Name: COCO8 Segmentation Dataset
Creator: Ultralytics
License: https://cocodataset.org/#termsofuse
Keywords: COCO8-Seg, Ultralytics, 分割数据集, YOLO26, COCO 2017, 模型训练, 计算机视觉, 数据集配置

Link to this section简介#

Ultralytics COCO8-Seg 是一个小巧但功能齐全的实例分割数据集，由 COCO train 2017 数据集的前 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。由于仅有 8 张图像，它既易于管理，又具备足够的多样性，足以测试训练流程中的错误，并在训练更大的数据集之前充当完整性检查工具。

Link to this section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：存储在 labels/{train,val} 下并与每个图像文件相匹配的 YOLO 格式多边形。
下载大小：约 1 MB。

探索 COCO8-Seg on Ultralytics Platform 以浏览每张图片及其多边形掩码，在 Charts 选项卡中查看类别分布和标注热力图，并克隆它以在云端训练你自己的模型。

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、类和其他相关信息的内容。对于 COCO8-Seg 数据集，coco8-seg.yaml 文件托管在 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

Link to this section用法#

若要使用图像尺寸 640 在 COCO8-Seg 数据集上训练 YOLO26n-seg 模型 100 个 epoch，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)

Link to this section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。

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。

COCO8-Seg dataset 是一个由 Ultralytics 提供的紧凑实例分割数据集，包含来自 COCO train 2017 集的前 8 张图片（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。它特别适用于配合 Ultralytics YOLO26 进行快速迭代，并在扩展到更大的数据集之前进行流水线错误检查。详细用法请参考模型 Training 页面。

Link to this section如何使用 COCO8-Seg 数据集训练 YOLO26n-seg 模型？#

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说明，你可以查看训练文档。

Link to this section为什么 COCO8-Seg 数据集对模型开发和调试很重要？#

由于其下载量和训练/验证循环比完整的 COCO 数据集小得多，COCO8-Seg 允许你在提交使用更大的数据集之前，运行一次训练和验证过程来捕获流水线错误——例如损坏的数据加载器、配置错误的损失函数或糟糕的增强方式。了解更多关于支持的数据集格式，请参阅 Ultralytics segmentation dataset guide。

Link to this section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。你可以直接通过 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数据集路径、类别和配置设置等重要信息。

Link to this sectionCOCO8-Seg 与 COCO128-Seg 和完整的 COCO-Seg 数据集相比如何？#

在规模方面，COCO8-Seg（8 张图片）小于 COCO128-Seg（128 张图片）和完整的 COCO-Seg 数据集（118,287 张训练图片）：

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-jocher¹⁷ RAraimbekovm³ JKjk4e² MAMatthewNoyce¹ RIRizwanMunawar¹ LUlunarifish¹

创建于 2023年11月12日更新于前天