COCO预训练模型

命名与定位
Common Objects in Context（COCO）是微软研究院 2014 年开源的 multi-task 视觉基准，覆盖目标检测、实例分割、全景分割、关键点检测与图像描述五项任务。其设计目标是“对象级上下文理解”，强调复杂场景下的精细标注与长尾分布。

数据规模与标注粒度
 • 图像量：123 k 张训练 + 40 k 验证 + 20 k 测试（2017 split）。
 • 类别：80 thing 类（人、车、动物等）+ 91 stuff 类（可扩展，用于全景分割）。
 • 实例框：1.5 M 个轴对齐 bbox，全部人工绘制，IoU>90 % 通过二次质检。
 • 分割掩膜：instance mask 采用 uncompressed RLE，平均顶点数 ≈ 200，支持像素级 IOU 评估。
 • 关键点：17 点骨架，标注人数 > 250 k，遮挡点统一赋 vis=1。
 • 平均图像分辨率：640×480；最小对象 16×16 像素，保证下游小目标训练价值。
 • 元数据：每张图附带 5 句人工英文描述，用于视觉-语言预训练。

标注管线与质量控管
 a. 分段式标注：先画 bbox → 生成超像素 → 人工修正 mask → 交叉验证 → 质检。
 b. 质检指标：mask 精度 < 1 pixel 误差；bbox 一致性 IoU>0.95；关键点半自动地真值对比。
 c. 版本冻结：2017 版后不再扩充，保证 benchmark 一致性；新增数据以“COCO-Stuff”、“LVIS”外挂形式发布。

评估协议（官方 metric）
 • 检测：mAP@0.50:0.95（primary）、mAP@0.50（PASCAL 兼容）、mAP@small/medium/large。
 • 分割：mask mAP（同检测指标），RLE 直接参与计算。
 • 关键点：OKS-based mAP，σ 按人体部位动态加权。
 • 全景分割：PQ = SQ × RQ，统