Link to this sectionCOCO128 Datensatz#

Link to this sectionEinführung#

Das Ultralytics COCO128 ist ein kleiner, aber vielseitiger Objekterkennungs-Datensatz, der aus den ersten 128 Bildern des COCO Train 2017 Datensatzes besteht. Dieser Datensatz ist ideal zum Testen und Debuggen von Objekterkennungsmodellen oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 128 Bildern ist er klein genug, um leicht verwaltbar zu sein, bietet aber dennoch genügend Vielfalt, um Trainings-Pipelines auf Fehler zu prüfen und als Plausibilitätsprüfung vor dem Training mit größeren Datensätzen zu dienen.

Dieser Datensatz ist für die Verwendung mit der Ultralytics Platform und YOLO26 konzipiert.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Datensatzkonfiguration zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Daten des Datensatzes. Im Fall des COCO128 Datensatzes wird die coco128.yaml Datei unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml gepflegt.

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

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco128
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128.zip

Link to this sectionVerwendung#

Um ein YOLO26n Modell auf dem COCO128 Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Trainings Seite des Modells.

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Link to this sectionBeispielbilder und Annotationen#

Hier sind einige Beispiele für Bilder aus dem COCO128 Datensatz, zusammen mit den entsprechenden Annotationen:

• Mosaik-Bild: Dieses Bild zeigt einen Trainings-Batch, der aus mosaikierten Datensatz-Bildern besteht. Mosaicing ist eine Technik, die während des Trainings verwendet wird, um mehrere Bilder zu einem einzigen Bild zu kombinieren, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zu verbessern, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren.

Das Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder im COCO128 Datensatz sowie die Vorteile der Verwendung von Mosaik-Augmentierung während des Trainingsprozesses.

Link to this sectionZitate und Danksagungen#

Wenn du den COCO Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:

@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}
}

Wir möchten dem COCO Consortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer Vision Community danken. Für weitere Informationen über den COCO Datensatz und seine Ersteller besuche die COCO Datensatz-Website.

Link to this sectionFAQ#

Link to this sectionWofür wird der Ultralytics COCO128 Datensatz verwendet?#

Der Ultralytics COCO128 Datensatz ist ein kompakter Teildatensatz, der die ersten 128 Bilder aus dem COCO Train 2017 Datensatz enthält. Er wird primär zum Testen und Debuggen von Objekterkennungsmodellen, zum Experimentieren mit neuen Erkennungsansätzen und zur Validierung von Trainings-Pipelines vor dem Skalieren auf größere Datensätze verwendet. Seine überschaubare Größe macht ihn perfekt für schnelle Iterationen, während er gleichzeitig genug Vielfalt bietet, um ein aussagekräftiger Testfall zu sein.

Link to this sectionWie trainiere ich ein YOLO26 Modell mit dem COCO128 Datensatz?#

Um ein YOLO26 Modell auf dem COCO128 Datensatz zu trainieren, kannst du entweder Python- oder CLI-Befehle verwenden. Hier ist wie:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Weitere Trainingsoptionen und Parameter findest du in der Trainings Dokumentation.

Link to this sectionWas sind die Vorteile der Verwendung von Mosaik-Augmentierung mit COCO128?#

Die Mosaik-Augmentierung, wie in den Beispielbildern zu sehen, kombiniert mehrere Trainingsbilder zu einem einzigen zusammengesetzten Bild. Diese Technik bietet beim Training mit COCO128 mehrere Vorteile:

• Erhöht die Vielfalt der Objekte und Kontexte innerhalb jeder Trainings-Batch
• Verbessert die Modell-Generalisierung über verschiedene Objektgrößen und Seitenverhältnisse hinweg
• Verbessert die Erkennungsleistung für Objekte in verschiedenen Maßstäben
• Maximiert den Nutzen eines kleinen Datensatzes durch die Erstellung vielfältigerer Trainingsbeispiele

Diese Technik ist besonders wertvoll für kleinere Datensätze wie COCO128 und hilft Modellen dabei, robustere Merkmale aus begrenzten Daten zu erlernen.

Link to this sectionWie schneidet COCO128 im Vergleich zu anderen COCO-Datensatzvarianten ab?#

COCO128 (128 Bilder) liegt größenmäßig zwischen COCO8 (8 Bilder) und dem vollständigen COCO Datensatz (über 118.000 Bilder):

• COCO8: Enthält nur 8 Bilder (4 Training, 4 Validierung) – ideal für schnelle Tests und Debugging
• COCO128: Enthält 128 Bilder – ausgewogen zwischen Größe und Vielfalt
• Vollständiges COCO: Enthält über 118.000 Trainingsbilder – umfassend, aber ressourcenintensiv

COCO128 bietet einen guten Mittelweg, da er mehr Vielfalt als COCO8 bietet, aber für Experimente und die anfängliche Modellentwicklung viel einfacher zu handhaben ist als der vollständige COCO-Datensatz.

Link to this sectionKann ich COCO128 auch für andere Aufgaben als die Objekterkennung verwenden?#

Obwohl COCO128 primär für die Objekterkennung konzipiert ist, können die Annotationen des Datensatzes für andere Computer Vision-Aufgaben angepasst werden:

• Instanz-Segmentierung: Unter Verwendung der in den Annotationen bereitgestellten Segmentierungsmasken
• Keypoint-Erkennung: Für Bilder, die Personen mit Keypoint-Annotationen enthalten
• Transfer Learning: Als Ausgangspunkt für das Fine-Tuning von Modellen für benutzerdefinierte Aufgaben

Für spezialisierte Aufgaben wie Segmentierung solltest du speziell dafür entwickelte Varianten wie COCO8-seg verwenden, die die entsprechenden Annotationen enthalten.