COCO8 Datensatz

Einführung

Der Ultralytics COCO8 Datensatz ist ein kompakter und dennoch leistungsstarker Datensatz für Objekterkennung, der aus den ersten 8 Bildern des COCO train 2017 Datensatzes 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. Seine geringe Größe macht ihn sehr handlich, während seine Vielfalt sicherstellt, dass er als effektiver Plausibilitätscheck dient, bevor man auf größere Datensätze skaliert.

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

Datensatz-YAML

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

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)

Beispielbilder und Annotationen

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

• Mosaik-Bild: Dieses Bild veranschaulicht einen Trainings-Batch, bei dem mehrere Datensatzbilder mithilfe von Mosaik-Augmentierung kombiniert werden. Mosaik-Augmentierung 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 für deine Forschung oder Entwicklung verwendest, zitiere 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}
}

Besonderer Dank geht an das COCO Consortium für ihre fortlaufenden Beiträge zur Computer Vision Community.

FAQ

Wofür wird der Ultralytics COCO8 Datensatz verwendet?

Der Ultralytics COCO8 Datensatz wurde für schnelles Testen und Debugging von Objekterkennungs Modellen entwickelt. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) ist er ideal, um deine YOLO Trainings-Pipelines zu überprüfen und sicherzustellen, dass alles wie erwartet funktioniert, bevor du auf größere Datensätze skaliert. Entdecke die COCO8 YAML Konfiguration für weitere Details.

Wie 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 beziehe dich auf die YOLO Trainingsdokumentation.

Warum sollte ich die Ultralytics Platform für die Verwaltung meines COCO8 Trainings nutzen?

Ultralytics Platform optimiert Datensatzverwaltung, Training und Bereitstellung für YOLO Modelle – einschließlich COCO8. Mit Funktionen wie Cloud-Training, Echtzeitüberwachung und intuitiver Datensatzhandhabung ermöglicht dir HUB das Starten von Experimenten mit einem einzigen Klick und beseitigt mühsame manuelle Einrichtungsschritte. Erfahre mehr über die Ultralytics Platform und wie sie deine Computer-Vision-Projekte beschleunigen kann.

Was sind die Vorteile der Verwendung von Mosaik-Augmentierung beim Training mit dem COCO8 Datensatz?

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

Wie kann ich mein YOLO26 Modell, das auf dem COCO8 Datensatz trainiert wurde, validieren?

Um dein YOLO26 Modell nach dem Training auf COCO8 zu validieren, verwende die Validierungsbefehle des Modells entweder in Python oder CLI. Dies bewertet die Leistung deines Modells anhand von Standardmetriken. Für schrittweise Anleitungen besuche die YOLO Validierungsdokumentation.