Erste Schritte

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/cfg/datasets/coco8.yaml
# 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#

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.

Trainingsbeispiel
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:

COCO8 object detection dataset mosaic training batch
  • 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:

Zitierung
@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:

    Trainingsbeispiel
    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)

    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.