Zum Inhalt springen

COCO8-Datensatz

Einführung

Ultralytics COCO8 ist ein kleiner, aber vielseitiger Objekterkennungsdatensatz, der aus den ersten 8 Bildern des COCO train 2017 Satzes besteht, 4 für das Training und 4 für die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von Objekterkennungsmodellen oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 8 Bildern ist er klein genug, um leicht verwaltet werden zu können, und dennoch vielfältig genug, um die Trainings-Pipelines auf Fehler zu testen und vor dem Training größerer Datensätze zu überprüfen.



Beobachten: Ultralytics COCO-Datensatz Übersicht

Dieser Datensatz ist für die Verwendung mit Ultralytics HUB und YOLO11.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird zur Definition der Datensatzkonfiguration verwendet. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Falle des COCO8-Datensatzes ist die Datei coco8.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.

ultralytics/cfg/datasets/coco8.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

Um ein YOLO11n-Modell auf dem COCO8-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

Beispiel für einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Beispielbilder und -kommentare

Hier sind einige Beispiele von Bildern aus dem COCO8-Datensatz mit den entsprechenden Anmerkungen:

Datensatz Beispielbild

  • Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, der aus Mosaikbildern des Datensatzes besteht. Das Mosaikieren ist eine Technik, bei der während des Trainings mehrere Bilder zu einem einzigen Bild kombiniert werden, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zur Generalisierung auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu verbessern.

Das Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder im COCO8-Datensatz und die Vorteile der Mosaikbildung während des Trainingsprozesses.

Zitate und Danksagungen

Wenn Sie den COCO-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte das folgende Papier:

@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-Konsortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer Vision Community danken. Weitere Informationen über den COCO-Datensatz und seine Ersteller finden Sie auf der Website des COCO-Datensatzes.

FAQ

Wofür wird der Ultralytics COCO8-Datensatz verwendet?

Der Ultralytics COCO8-Datensatz ist ein kompakter und dennoch vielseitiger Objekterkennungsdatensatz, der aus den ersten 8 Bildern des COCO-Trainingsdatensatzes 2017 besteht, mit 4 Bildern für das Training und 4 für die Validierung. Er ist für das Testen und Debuggen von Objekterkennungsmodellen und das Experimentieren mit neuen Erkennungsansätzen gedacht. Trotz des geringen Umfangs bietet COCO8 genügend Vielfalt, um Ihre Trainingspipelines auf ihre Tauglichkeit zu prüfen, bevor Sie größere Datensätze einsetzen. Weitere Einzelheiten finden Sie im COCO8-Datensatz.

Wie trainiere ich ein YOLO11 Modell mit dem COCO8-Datensatz?

Um ein YOLO11 -Modell mit dem COCO8-Datensatz zu trainieren, können Sie die Befehle Python oder CLI verwenden. So können Sie beginnen:

Beispiel für einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modellschulung.

Warum sollte ich Ultralytics HUB für die Verwaltung meiner COCO8-Ausbildung nutzen?

Ultralytics HUB ist ein All-in-One-Webtool zur Vereinfachung des Trainings und der Bereitstellung von YOLO Modellen, einschließlich der Ultralytics YOLO11 Modelle auf dem COCO8-Datensatz. Es bietet Cloud-Training, Echtzeit-Tracking und nahtlose Datensatzverwaltung. HUB ermöglicht es Ihnen, das Training mit einem einzigen Klick zu starten und vermeidet die Komplexität der manuellen Einstellungen. Erfahren Sie mehr über Ultralytics HUB und seine Vorteile.

Was sind die Vorteile der Mosaik-Erweiterung beim Training mit dem COCO8-Datensatz?

Bei der Mosaik-Erweiterung, die im COCO8-Datensatz demonstriert wurde, werden beim Training mehrere Bilder zu einem einzigen Bild kombiniert. Diese Technik erhöht die Vielfalt der Objekte und Szenen in jedem Trainingsstapel und verbessert die Fähigkeit des Modells, sich über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu verallgemeinern. Das Ergebnis ist ein robusteres Objekterkennungsmodell. Weitere Einzelheiten finden Sie in der Trainingsanleitung.

Wie kann ich mein YOLO11 Modell, das auf dem COCO8-Datensatz trainiert wurde, validieren?

Die Validierung Ihres YOLO11 Modells, das auf dem COCO8-Datensatz trainiert wurde, kann mit den Validierungsbefehlen des Modells durchgeführt werden. Sie können den Validierungsmodus über das Skript CLI oder Python aufrufen, um die Leistung des Modells anhand genauer Metriken zu bewerten. Detaillierte Anweisungen finden Sie auf der Seite Validierung.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten

Kommentare