COCO8-Pose-Datensatz

Einführung

Ultralytics COCO8-Pose ist ein kleiner, aber vielseitiger Posenerkennungsdatensatz, der aus den ersten 8 Bildern des COCO train 2017-Satzes besteht, 4 für das Training und 4 für die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von Objekterkennungsmodellen oder zum Experimentieren mit neuen Erkennungsansätzen. Mit 8 Bildern ist er klein genug, um leicht verwaltet werden zu können, und dennoch vielfältig genug, um die Trainings-Pipelines auf Fehler zu testen und vor dem Training größerer Datensätze zu überprüfen.

Dieser Datensatz ist für die Verwendung mit Ultralytics HUB und YOLO11.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird zur Definition der Datensatzkonfiguration verwendet. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Falle des COCO8-Pose-Datensatzes wird die coco8-pose.yaml Datei wird verwaltet unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose  ← 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: ../datasets/coco8-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Verwendung

Um ein YOLO11n-Positionsmodell auf dem COCO8-Positionsdatensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Beispielbilder und -kommentare

Hier sind einige Beispiele von Bildern aus dem COCO8-Pose-Datensatz, zusammen mit den entsprechenden Kommentaren:

• Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, der aus Mosaikbildern des Datensatzes besteht. Das Mosaikieren ist eine Technik, bei der während des Trainings mehrere Bilder zu einem einzigen Bild kombiniert werden, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zur Generalisierung auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu verbessern.

Das Beispiel zeigt die Vielfalt und Komplexität der Bilder im COCO8-Pose-Datensatz und die Vorteile der Mosaikbildung während des Trainingsprozesses.

Zitate und Danksagungen

Wenn Sie den COCO-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie 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}
}

Wir möchten dem COCO-Konsortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer Vision Community danken. Weitere Informationen über den COCO-Datensatz und seine Ersteller finden Sie auf der Website des COCO-Datensatzes.

FAQ

Was ist der COCO8-Pose-Datensatz, und wie wird er mit Ultralytics YOLO11 verwendet?

Der COCO8-Pose-Datensatz ist ein kleiner, vielseitiger Posenerkennungsdatensatz, der die ersten 8 Bilder des COCO train 2017-Satzes enthält, mit 4 Bildern zum Trainieren und 4 zur Validierung. Er wurde für das Testen und Debuggen von Objekterkennungsmodellen und das Experimentieren mit neuen Erkennungsansätzen entwickelt. Dieser Datensatz ist ideal für schnelle Experimente mit Ultralytics YOLO11. Weitere Details zur Konfiguration des Datensatzes finden Sie in der YAML-Datei des Datensatzes hier.

Wie trainiere ich ein YOLO11 Modell unter Verwendung des COCO8-Pose-Datensatzes in Ultralytics?

Um ein YOLO11n-Positionsmodell auf dem COCO8-Positionsdatensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, folgen Sie diesen Beispielen:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Eine umfassende Liste der Schulungsargumente finden Sie auf der Seite Modellschulung.

Was sind die Vorteile der Verwendung des COCO8-Pose-Datensatzes?

Der COCO8-Pose-Datensatz bietet mehrere Vorteile:

• Kompakte Größe: Mit nur 8 Bildern ist es einfach zu handhaben und perfekt für schnelle Experimente.
• Vielfältige Daten: Trotz seiner geringen Größe enthält es eine Vielzahl von Szenen, die für gründliche Pipeline-Tests nützlich sind.
• Fehlerbeseitigung: Ideal zur Identifizierung von Trainingsfehlern und zur Durchführung von Plausibilitätsprüfungen vor der Skalierung auf größere Datensätze.

Weitere Informationen zu seinen Funktionen und seiner Verwendung finden Sie im Abschnitt Einführung in das Dataset.

Welchen Nutzen hat die Mosaikbildung für den YOLO11 Trainingsprozess mit dem COCO8-Pose-Datensatz?

Beim Mosaicing, das in den Beispielbildern des COCO8-Positionsdatensatzes demonstriert wird, werden mehrere Bilder zu einem einzigen kombiniert, wodurch die Vielfalt der Objekte und Szenen in jedem Trainingsstapel erhöht wird. Diese Technik trägt dazu bei, die Fähigkeit des Modells zur Verallgemeinerung über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu verbessern, was letztendlich die Leistung des Modells steigert. Siehe den Abschnitt Beispielbilder und Anmerkungen für Beispielbilder.

Wo finde ich die YAML-Datei für den COCO8-Pose-Datensatz und wie kann ich sie verwenden?

Die YAML-Datei für den COCO8-Pose-Datensatz finden Sie hier. Diese Datei definiert die Konfiguration des Datensatzes, einschließlich Pfaden, Klassen und anderen relevanten Informationen. Verwenden Sie diese Datei mit den YOLO11 Trainingsskripten, wie im Abschnitt Train Example erwähnt.

Weitere häufig gestellte Fragen und eine ausführliche Dokumentation finden Sie unter Ultralytics Dokumentation.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare