مجموعة بيانات COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

Sample dataset with 8 images from COCO for testing YOLO pose estimation models. Contains human keypoint annotations for body pose detection and tracking.

31 class618.2 KBMar 16, 2026

person

مقدمة#

Ultralytics COCO8-Pose هي مجموعة بيانات تقدير وضعي صغيرة ولكنها متعددة الاستخدامات وتتكون من أول 8 صور من مجموعة COCO train 2017 (4 للتدريب و4 للتحقق من الصحة)، باستخدام مخطط ذو 17 نقطة مفصلية لفئة "person" الواحدة. هذه المجموعة مثالية لاختبار وتصحيح أخطاء نماذج تقدير الوضعية، أو لتجربة نهج جديدة لاكتشاف النقاط المفصلية. مع 8 صور، فهي صغيرة بما يكفي لتتم إدارتها بسهولة، ومع ذلك فهي متنوعة بدرجة كافية لاختبار مسارات التدريب بحثاً عن الأخطاء والعمل كفحص سلامة قبل التدريب على مجموعة بيانات COCO-Pose الكاملة.

هيكل مجموعة البيانات#

• إجمالي الصور: 8 (4 للتدريب / 4 للتحقق).
• الفئات: 1 (شخص) مع 17 نوعاً من النقاط الرئيسية لكل تعليق توضيحي.
• حجم التنزيل: ~1 ميجابايت.
• تخطيط الدليل الموصى به: datasets/coco8-pose/images/{train,val} و datasets/coco8-pose/labels/{train,val} مع نقاط مفصلية بتنسيق YOLO مخزنة كملفات .txt.

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

YAML مجموعة البيانات#

يتم استخدام ملف YAML لتحديد تكوين مجموعة البيانات. وهو يحتوي على معلومات حول مسارات مجموعة البيانات، والفئات، وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات COCO8-Pose، يتم الاحتفاظ بملف coco8-pose.yaml على 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 عصر (epoch) بحجم صورة يبلغ 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة Training الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

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

صور وشروحات توضيحية عينة#

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

• صورة مجمعة (Mosaiced Image): توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات مجمعة. الفسيفساء (Mosaicing) هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO في عملك البحثي أو التطويري، يرجى الاستشهاد بالورقة 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}
}

نود أن نشكر اتحاد COCO لإنشاء والحفاظ على هذا المورد القيم لمجتمع computer vision. لمزيد من المعلومات حول مجموعة بيانات COCO ومبتكريها، تفضل بزيارة COCO dataset website.

الأسئلة الشائعة#