Link to this sectionCOCO8-Datensatz#

Link to this sectionEinführung#

Das Ultralytics COCO8-Dataset ist ein kompakter und leistungsstarker Datensatz zur Objekterkennung, der aus den ersten 8 Bildern des COCO-Trainingssets 2017 besteht – 4 für das Training und 4 für die Validierung. Dieser Datensatz wurde speziell für schnelles Testen, Debugging und Experimentieren mit YOLO-Modellen und Trainings-Pipelines entwickelt. Aufgrund seiner geringen Größe ist er leicht zu handhaben, während seine Vielfalt sicherstellt, dass er als effektiver Plausibilitätscheck dient, bevor du auf größere Datensätze skalierst.

COCO8 ist vollständig kompatibel mit der Ultralytics Platform und YOLO26, was eine nahtlose Integration in deine Computer-Vision-Workflows ermöglicht.

Link to this sectionDatensatz-YAML#

Die Konfiguration des COCO8-Datensatzes ist in einer YAML-Datei (Yet Another Markup Language) definiert, die Datensatzpfade, Klassennamen und andere wichtige 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

Link to this sectionVerwendung#

Um ein YOLO26n-Modell auf dem COCO8-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der YOLO-Trainingsdokumentation.

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)

Link to this sectionBeispielbilder 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.

Link to this sectionZitate 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 ihre kontinuierlichen Beiträge zur Computer-Vision-Community.

Link to this sectionFAQ#

Link to this sectionWofür wird der Ultralytics COCO8-Datensatz verwendet?#

Das Ultralytics COCO8-Dataset wurde für das schnelle Testen und Debugging von Objekterkennungs-Modellen entwickelt. Mit nur 8 Bildern (4 zum Training, 4 zur Validierung) ist es ideal, um deine YOLO-Trainings-Pipelines zu verifizieren und sicherzustellen, dass alles erwartungsgemäß funktioniert, bevor du auf größere Datensätze skalierst. Weitere Einzelheiten findest du in der COCO8 YAML-Konfiguration.

Link to this sectionWie trainiere ich ein YOLO26-Modell mit dem COCO8-Datensatz?#

Du kannst ein YOLO26-Modell auf COCO8 entweder mit Python oder über die CLI trainieren:

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)

Für weitere Trainingsoptionen beachte bitte die YOLO-Trainingsdokumentation.

Link to this sectionWarum sollte ich die Ultralytics Platform für das Management meines COCO8-Trainings nutzen?#

Ultralytics Platform optimiert die Datensatzverwaltung, das Training und die Bereitstellung für YOLO-Modelle – einschließlich COCO8. Mit Funktionen wie Cloud-Training, Echtzeit-Überwachung und intuitiver Datensatzhandhabung ermöglicht dir HUB, Experimente mit einem einzigen Klick zu starten und eliminiert den manuellen Einrichtungsaufwand. Erfahre mehr über Ultralytics Platform und wie sie deine Computer-Vision-Projekte beschleunigen kann.

Link to this sectionWelche Vorteile bietet die Mosaik-Augmentation beim Training mit dem COCO8-Datensatz?#

Die Mosaic-Augmentierung, wie sie beim COCO8-Training verwendet wird, kombiniert während jedes Batches mehrere Bilder zu einem. Dies erhöht die Vielfalt der Objekte und Hintergründe und hilft deinem YOLO-Modell, besser auf neue Szenarien zu generalisieren. Die Mosaic-Augmentierung ist besonders wertvoll für kleine Datensätze, da sie die in jedem Trainingsschritt verfügbaren Informationen maximiert. Mehr dazu findest du im Trainingsleitfaden.

Link to this sectionWie kann ich mein auf dem COCO8-Datensatz trainiertes YOLO26-Modell validieren?#

Um dein YOLO26-Modell nach dem Training auf COCO8 zu validieren, verwende die Validierungsbefehle des Modells entweder in Python oder der CLI. Dies bewertet die Leistung deines Modells mithilfe von Standardmetriken. Schritt-für-Schritt-Anleitungen findest du in der YOLO-Validierungsdokumentation.