COCO8-Datensatz#

8

coco8

ultralytics

publicDetect

COCO8 is Ultralytics' minimal object-detection smoke-test set: four training and four validation images sampled from COCO. It uses the 80-class taxonomy and real multi-object labels to validate data loading, augmentation, training, and export in seconds.

380 classes837.5 KBSep 2, 2026

personbicyclecarmotorcycle+76

Einleitung#

Der Ultralytics-Datensatz COCO8 ist ein kompakter und dennoch leistungsfähiger Objekterkennungsdatensatz, der aus den ersten 8 Bildern des COCO-Trainingssatzes 2017 besteht – 4 für das Training und 4 für die Validierung. Dieser Datensatz wurde speziell für schnelle Tests, die Fehlersuche und Experimente mit YOLO-Modellen und Trainingspipelines entwickelt. Durch seine geringe Größe ist er sehr einfach zu handhaben, während seine Vielfalt ihn zu einem effektiven Plausibilitätscheck macht, bevor du auf größere Datensätze skalierst.

Datensatzstruktur#

COCO8 umfasst die ersten 8 Bilder des COCO-Trainingssatzes 2017 – 4 für das Training und 4 für die Validierung – und deckt alle 80 COCO-Objektklassen im YOLO-Format für Beschriftungen ab:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Erkunde COCO8 auf der Ultralytics Platform, um jedes Bild mit seinen Annotationseinblendungen zu durchsuchen, die Klassenverteilung und Heatmaps der Begrenzungsrahmen im Tab Charts anzuzeigen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Dataset-YAML#

Die Konfiguration des COCO8-Datensatzes ist in einer YAML-Datei definiert. Sie enthält die Datensatzpfade, Klassennamen und weitere wichtige Metadaten. Du kannst die offizielle Datei coco8.yaml 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#

Der COCO8-Datensatz (1 MB) wird automatisch heruntergeladen, wenn du das Training zum ersten Mal startest. Um ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf COCO8 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#

Nachfolgend siehst du ein Beispiel für einen Trainingsstapel mit Mosaik-Augmentierung aus dem COCO8-Datensatz:

• Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, in dem mehrere Datensatzbilder mithilfe einer Mosaik-Augmentierung kombiniert werden. Die Mosaik-Augmentierung erhöht die Vielfalt der Objekte und Szenen innerhalb jedes Stapels und hilft dem Modell, besser auf verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe zu generalisieren.

Diese Technik ist besonders für kleine Datensätze wie COCO8 nützlich, da sie den Nutzen jedes Bildes während des Trainings maximiert.

Zitate und Danksagungen#

Wenn du den COCO-Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere bitte die folgende Veröffentlichung:

@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}
}

Unser besonderer Dank gilt dem COCO-Konsortium für seine kontinuierlichen Beiträge zur Computer-Vision-Community.

FAQ#