Ensemble de données COCO8-Seg
Introduction
Ultralytics COCO8-Seg est un petit mais polyvalent ensemble de données de segmentation d'instance composé des 8 premières images de l'ensemble COCO train 2017, 4 pour l'entraînement et 4 pour la validation. Cet ensemble de données est idéal pour tester et déboguer les modèles de segmentation, ou pour expérimenter de nouvelles approches de détection. Avec 8 images, il est suffisamment petit pour être facilement gérable, mais suffisamment diversifié pour tester les pipelines d'entraînement à la recherche d'erreurs et servir de contrôle de cohérence avant d'entraîner des ensembles de données plus volumineux.
Ce jeu de données est destiné à être utilisé avec HUB Ultralytics et YOLO11.
YAML du jeu de données
Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration de l'ensemble de données. Il contient des informations sur les chemins d'accès, les classes et d'autres informations pertinentes de l'ensemble de données. Dans le cas de l'ensemble de données COCO8-Seg, le coco8-seg.yaml fichier est maintenu à l'adresse 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
Utilisation
Pour entraîner un modèle YOLO11n-seg sur le jeu de données COCO8-Seg pendant 100 epochs avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consultez la page Formation du modèle.
Exemple d'entraînement
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
Images et annotations d'exemple
Voici quelques exemples d'images du jeu de données COCO8-Seg, ainsi que leurs annotations correspondantes :
- Image mosaïque : Cette image montre un lot d'entraînement composé d'images d'ensemble de données en mosaïque. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule image pour augmenter la variété des objets et des scènes dans chaque lot d'entraînement. Cela permet d'améliorer la capacité du modèle à se généraliser à différentes tailles d'objets, rapports hauteur/largeur et contextes.
Cet exemple illustre la variété et la complexité des images dans l'ensemble de données COCO8-Seg, ainsi que les avantages de l'utilisation du mosaïquage pendant le processus d'entraînement.
Citations et remerciements
Si vous utilisez l'ensemble de données COCO dans vos travaux de recherche ou de développement, veuillez citer l'article suivant :
@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}
}
Nous tenons à remercier le COCO Consortium pour la création et la maintenance de cette ressource précieuse pour la communauté de la vision par ordinateur. Pour plus d'informations sur l'ensemble de données COCO et ses créateurs, visitez le site web de l'ensemble de données COCO.
FAQ
Qu'est-ce que l'ensemble de données COCO8-Seg et comment est-il utilisé dans Ultralytics YOLO11 ?
L'ensemble de données COCO8-Seg est un ensemble de données de segmentation d'instance compact par Ultralytics, composé des 8 premières images de l'ensemble COCO train 2017—4 images pour l'entraînement et 4 pour la validation. Cet ensemble de données est conçu pour tester et déboguer des modèles de segmentation ou pour expérimenter de nouvelles méthodes de détection. Il est particulièrement utile avec Ultralytics YOLO11 et HUB pour une itération rapide et une vérification des erreurs de pipeline avant de passer à des ensembles de données plus volumineux. Pour une utilisation détaillée, consultez la page Formation du modèle.
Comment puis-je entraîner un modèle YOLO11n-seg en utilisant l'ensemble de données COCO8-Seg ?
Pour entraîner un modèle YOLO11n-seg sur l'ensemble de données COCO8-Seg pendant 100 epochs avec une taille d'image de 640, vous pouvez utiliser les commandes Python ou CLI. Voici un exemple rapide :
Exemple d'entraînement
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
Pour une explication approfondie des arguments disponibles et des options de configuration, vous pouvez consulter la documentation Entraînement.
Pourquoi l'ensemble de données COCO8-Seg est-il important pour le développement et le débogage de modèles ?
L'ensemble de données COCO8-Seg offre un ensemble compact mais diversifié de 8 images, ce qui le rend parfait pour tester et déboguer rapidement des modèles de segmentation ou pour expérimenter de nouvelles techniques de détection. Sa petite taille permet des vérifications de cohérence rapides et une validation précoce du pipeline, aidant à identifier les problèmes avant de passer à des ensembles de données plus volumineux. Pour en savoir plus sur les formats d'ensembles de données pris en charge, consultez le guide des ensembles de données de segmentation Ultralytics.
Où puis-je trouver le fichier de configuration YAML pour l'ensemble de données COCO8-Seg ?
Le fichier de configuration YAML pour l'ensemble de données COCO8-Seg est disponible dans le référentiel Ultralytics. Vous pouvez accéder directement au fichier sur https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-seg.yaml. Le fichier YAML comprend des informations essentielles sur les chemins d'accès aux ensembles de données, les classes et les paramètres de configuration requis pour l'entraînement et la validation du modèle.
Quels sont les avantages de l'utilisation de la mosaïque pendant l'entraînement avec le jeu de données COCO8-Seg ?
L'utilisation du mosaïquage pendant l'entraînement contribue à accroître la diversité des objets et des scènes dans chaque lot d'entraînement. Cette technique combine plusieurs images en une seule image composite, améliorant ainsi la capacité du modèle à généraliser à différentes tailles d'objets, rapports d'aspect et contextes au sein de la scène. Le mosaïquage est bénéfique pour améliorer la robustesse et la précision d'un modèle, en particulier lorsque l'on travaille avec de petits ensembles de données comme COCO8-Seg. Pour un exemple d'images en mosaïque, consultez la section Exemples d'images et d'annotations.