مجموعة بيانات COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

COCO8-Pose is Ultralytics' minimal human-pose smoke-test set: four training and four validation images sampled from COCO. Each person uses the standard 17-keypoint body layout, allowing rapid validation of pose data loading, augmentation, training, and export workflows.

31 class618.2 KBSep 2, 2026

person

مقدمة#

مجموعة بيانات Ultralytics COCO8-Pose صغيرة لكنها متعددة الاستخدامات لتقدير الوضعيات، وتتكون من أول 8 صور من مجموعة COCO train 2017 (4 للتدريب و4 للتحقق)، وتستخدم مخططًا من 17 نقطة مفتاحية لفئة «person» الوحيدة. تُعد مجموعة البيانات هذه مثالية لاختبار نماذج تقدير الوضعيات وتصحيح أخطائها، أو لتجربة أساليب جديدة لاكتشاف النقاط المفتاحية. وبفضل صورها الثماني، يسهل التعامل معها، مع تنوع يكفي لاختبار مسارات التدريب بحثًا عن الأخطاء واستخدامها كاختبار أولي قبل التدريب على مجموعة بيانات COCO-Pose الكاملة.

بنية مجموعة البيانات#

• إجمالي الصور: 8 (4 للتدريب / 4 للتحقق).
• الفئات: فئة واحدة (person)، مع 17 نوعًا من النقاط المفتاحية لكل تعليق توضيحي.
• حجم التنزيل: ~1 MB.
• تنظيم المجلدات الموصى به: datasets/coco8-pose/images/{train,val} وdatasets/coco8-pose/labels/{train,val}، مع تخزين النقاط المفتاحية بتنسيق YOLO في ملفات .txt.

استكشف COCO8-Pose على منصة Ultralytics لتصفح كل صورة مع هياكل النقاط المفتاحية الخاصة بها، وعرض توزيعات النقاط المفتاحية والفئات في علامة التبويب Charts، واستنساخها لتدريب نموذجك الخاص على السحابة.

ملف YAML لمجموعة البيانات#

يُستخدم ملف YAML لتحديد إعدادات مجموعة البيانات. ويتضمن معلومات حول مسارات مجموعة البيانات وفئاتها وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات COCO8-Pose، يُحافَظ على الملف coco8-pose.yaml في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← 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-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

الاستخدام#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات COCO8-Pose لمدة 100 حقبة وبحجم صورة 640، يمكنك استخدام مقتطفات الشيفرة التالية. للاطلاع على قائمة شاملة بالوسيطات المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-pose.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

# ⁨تدريب النموذج⁩
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

صور وتعليقات توضيحية نموذجية#

فيما يلي بعض الأمثلة على صور من مجموعة بيانات COCO8-Pose، إلى جانب التعليقات التوضيحية المقابلة لها:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكوّنة من صور مجموعة البيانات بعد دمجها بتقنية الفسيفساء. الفسيفساء تقنية تُستخدم أثناء التدريب، وتجمع صوراً متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد في كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب أبعادها وسياقاتها المختلفة.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات COCO في أبحاثك أو أعمال التطوير، فيُرجى الاستشهاد بالورقة البحثية التالية:

@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}
}

نتوجه بالشكر إلى اتحاد COCO لإنشاء هذا المورد القيّم وصيانته لخدمة مجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات COCO والقائمين على إنشائها، تفضل بزيارة موقع مجموعة بيانات COCO.

الأسئلة الشائعة#