COCO8-Datensatz
Einführung#
Der COCO8-Datensatz von Ultralytics ist ein kompakter Objekterkennungs-Datensatz. Er enthält die ersten 8 Bilder aus dem COCO-Train-2017-Datensatz – 4 zum Training und 4 zur Validierung. Dieser Datensatz wurde speziell für schnelle Tests, Fehlersuche und Experimente mit YOLO-Modellen und Trainingspipelines entwickelt. Dank seines geringen Umfangs lässt er sich leicht handhaben. Seine Vielfalt macht ihn zugleich zu einem wirksamen Plausibilitätstest, bevor du auf größere Datensätze umsteigst.
Ansehen: Überblick über den Ultralytics-COCO-Datensatz
Datensatzstruktur#
COCO8 umfasst die ersten 8 Bilder des COCO-Train-2017-Datensatzes – 4 zum Trainieren und 4 zur Validierung –, die mit den 80 COCO-Klassennamen im YOLO-Beschriftungsformat annotiert sind:
coco8/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── labels/
├── train/
└── val/Entdecke COCO8 auf der Ultralytics Platform: Sieh dir jedes Bild mit eingeblendeten Annotationen an, prüfe die Klassenverteilung und die Heatmaps der Begrenzungsrahmen auf dem Tab Charts und klone den Datensatz, um dein eigenes Modell in der Cloud zu trainieren.
YAML-Datei des Datensatzes#
Die Konfiguration des COCO8-Datensatzes ist in einer YAML-Datei definiert, die Datensatzpfade, Klassennamen und weitere wichtige Metadaten angibt. Die offizielle Datei coco8.yaml findest du im Ultralytics-GitHub-Repository.
# 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.zipVerwendung#
Der COCO8-Datensatz (1 MB) wird beim ersten Trainingsstart automatisch heruntergeladen. Um ein YOLO26n-Modell 100 Epochen lang mit Bildgröße 640 auf COCO8 zu trainieren, verwende die folgenden Beispiele.
from ultralytics import YOLO
# Ein vortrainiertes YOLO26n-Modell laden
model = YOLO("yolo26n.pt")
# Das Modell mit COCO8 trainieren
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Beispielbilder und Annotationen#
Unten siehst du ein Beispiel für einen mosaikartig zusammengestellten Trainingsbatch aus dem COCO8-Datensatz:
- Mosaikbild: Dieses Bild zeigt einen Trainingsbatch, in dem mehrere Datensatzbilder mithilfe der Mosaiktransformation kombiniert werden. Die Mosaiktransformation erhöht die Vielfalt der Objekte und Szenen in jedem Batch und hilft dem Modell, besser auf verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe zu generalisieren.
Diese Technik eignet sich besonders für kleine Datensätze wie COCO8, da sie den Nutzen jedes Bildes während des Trainings maximiert.
Zitate und Danksagungen#
Wenn du den COCO-Datensatz für deine Forschung oder Entwicklung verwendest, zitiere bitte die folgende Arbeit:
@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 gilt dem COCO Consortium für seine kontinuierlichen Beiträge zur Computer-Vision-Community.
Häufig gestellte Fragen#
Der Ultralytics-COCO8-Datensatz ist für das schnelle Testen und Debuggen von Modellen zur Objekterkennung konzipiert. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) eignet er sich ideal, um deine YOLO-Trainingspipelines zu überprüfen und sicherzustellen, dass alles wie erwartet funktioniert, bevor du auf größere Datensätze umsteigst.
Du kannst ein YOLO26-Modell mit COCO8 entweder mit Python oder über die CLI trainieren:
Trainingsbeispielfrom ultralytics import YOLO # Ein vortrainiertes YOLO26n-Modell laden model = YOLO("yolo26n.pt") # Das Modell mit COCO8 trainieren results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Weitere Trainingsoptionen findest du in der YOLO-Trainingsdokumentation.
Bei der Mosaic-Datenerweiterung, wie sie beim COCO8-Training eingesetzt wird, werden mehrere Bilder während jedes Batches zu einem Bild kombiniert. Dadurch erhöht sich die Vielfalt an Objekten und Hintergründen, sodass dein YOLO-Modell besser auf neue Szenarien generalisieren kann. Mosaic-Datenerweiterung ist besonders bei kleinen Datensätzen wertvoll, da sie die in jedem Trainingsschritt verfügbaren Informationen optimal nutzt.
Um dein YOLO26-Modell nach dem Training mit COCO8 zu validieren, verwende die Validierungsbefehle des Modells in Python oder über die CLI. Dabei wird die Leistung deines Modells anhand standardisierter Metriken bewertet. Eine Schritt-für-Schritt-Anleitung findest du in der YOLO-Validierungsdokumentation.
Kommentare
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.



