Dados experimentais de um pipeline semi-automático de rotulagem para segmentação de instâncias com YOLOv11

O método consiste em anotar manualmente um subconjunto reduzido de imagens, treinar um modelo e gerar máscaras automaticamente para as imagens restantes. Foram treinados 187 modelos YOLOv11n-seg em dois datasets públicos avaliados de forma independente: KITTI Tracking (cenas urbanas, classes car e pedestrian; 176 modelos) e MADS Full Body Segmentation (classe person; 11 splits de 0,1% a 100%).

A validação foi fixada em 30% e nunca entrou no treino. A semente de embaralhamento dos splits é 42. O pacote contém: (i) CSVs consolidados de mAP@0.5, mAP@0.5:0.95, precision, recall, F1, IoU médio e taxa de correspondência; (ii) logs por época (results.csv) e hiperparâmetros (args.yaml) de cada treinamento; (iii) listas portáteis das imagens de cada split cumulativo; (iv) embeddings CLIP ViT-B/32 com clusters K-means (k=8); (v) figuras de avaliação; e (vi) o código Python usado na conversão, no treino e na avaliação.