COCO8-Datensatz#

8

coco8

ultralytics

publicDetect

Sample dataset with 8 images from COCO (Common Objects in Context) for testing YOLO object detection models. Ideal for validating training pipelines and quick experiments.

380 classes837.5 KBFeb 9, 2026

personbicyclecarmotorcycle+76

Einführung#

Das Ultralytics COCO8 Dataset ist ein kompaktes und dennoch leistungsstarkes object detection Dataset, das aus den ersten 8 Bildern des COCO train 2017 Sets besteht – 4 für das Training und 4 für die Validierung. Dieses Dataset wurde speziell für das schnelle Testen, Debuggen und Experimentieren mit YOLO-Modellen und Trainings-Pipelines entwickelt. Seine geringe Größe macht es äußerst handhabbar, während seine Vielfalt sicherstellt, dass es als effektiver Plausibilitätstest dient, bevor du zu größeren Datasets skalierst.

Datensatzstruktur#

COCO8 umfasst die ersten 8 Bilder des COCO train 2017 Sets – 4 für das Training und 4 für die Validierung –, die den vollständigen Satz von 80 COCO-Objektklassen im YOLO label format abdecken:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Entdecke COCO8 on Ultralytics Platform, um jedes Bild mit seinen Annotations-Overlays zu durchstöbern, die Klassenverteilung und Bounding-Box-Heatmaps im Charts-Tab anzusehen und es zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Datensatz-YAML#

Die COCO8 Dataset-Konfiguration ist in einer YAML-Datei definiert, die Dataset-Pfade, Klassennamen und andere wesentliche Metadaten festlegt. Du kannst die offizielle coco8.yaml-Datei im Ultralytics GitHub repository einsehen.

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

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

# 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/coco8.zip

Verwendung#

Das COCO8 Dataset (1 MB) wird beim ersten Start des Trainings automatisch heruntergeladen. Um ein YOLO26n-Modell auf COCO8 für 100 epochs mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der YOLO Training documentation.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Unten ist ein Beispiel für einen mosaikierten Trainings-Batch aus dem COCO8-Datensatz:

• Mosaikiertes Bild: Dieses Bild veranschaulicht einen Trainings-Batch, bei dem mehrere Datensatzbilder mithilfe von Mosaik-Augmentation kombiniert werden. Die Mosaik-Augmentation erhöht die Vielfalt der Objekte und Szenen innerhalb jedes Batches und hilft dem Modell, besser auf verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe zu generalisieren.

Diese Technik ist besonders nützlich für kleine Datensätze wie COCO8, da sie den Wert jedes Bildes während des Trainings maximiert.

Zitate und Danksagungen#

Wenn du den COCO-Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere bitte das folgende Dokument:

@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}
}

Besonderer Dank geht an das COCO Consortium für seine kontinuierlichen Beiträge zur computer vision-Community.

FAQ#