COCO8-Pose-Datensatz#

8

coco8-pose

ultralytics

publicPose

COCO8-Pose is Ultralytics' minimal human-pose smoke-test set: four training and four validation images sampled from COCO. Each person uses the standard 17-keypoint body layout, allowing rapid validation of pose data loading, augmentation, training, and export workflows.

31 class618.2 KBSep 2, 2026

person

Einleitung#

Ultralytics COCO8-Pose ist ein kleiner, aber vielseitiger Datensatz zur Posenschätzung. Er besteht aus den ersten 8 Bildern des COCO-Trainingsdatensatzes von 2017 (4 für das Training, 4 für die Validierung) und verwendet ein Schema mit 17 Schlüsselpunkten für die einzige Klasse „person“. Dieser Datensatz eignet sich ideal zum Testen und Debuggen von Posenschätzungsmodellen sowie zum Experimentieren mit neuen Ansätzen zur Schlüsselpunkterkennung. Mit 8 Bildern ist er klein genug für eine einfache Handhabung, aber vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und vor dem Training mit dem vollständigen COCO-Pose-Datensatz als Plausibilitätsprüfung zu dienen.

Datensatzstruktur#

• Gesamtzahl der Bilder: 8 (4 Training / 4 Validierung).
• Klassen: 1 (person) mit 17 Schlüsselpunkttypen pro Annotation.
• Downloadgröße: ~1 MB.
• Empfohlene Verzeichnisstruktur: datasets/coco8-pose/images/{train,val} und datasets/coco8-pose/labels/{train,val}, wobei die Schlüsselpunkte im YOLO-Format als .txt-Dateien gespeichert werden.

Erkunde COCO8-Pose auf der Ultralytics-Plattform, um jedes Bild mit seinem Schlüsselpunktskelett zu durchsuchen, die Verteilungen der Schlüsselpunkte und Klassen im Tab Diagramme anzuzeigen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Dataset-YAML#

Eine YAML-Datei dient zum Definieren der Datensatzkonfiguration. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Eigenschaften des Datensatzes. Für den COCO8-Pose-Datensatz wird die Datei coco8-pose.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml gepflegt.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

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

Verwendung#

Um ein YOLO26n-pose-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem COCO8-Pose-Datensatz zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum Training des Modells.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

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

Beispielbilder und Annotationen#

Hier sind einige Beispiele für Bilder aus dem COCO8-Pose-Datensatz zusammen mit den zugehörigen Annotationen:

• Mosaikbild: Dieses Bild zeigt einen Trainings-Batch, der aus zu einem Mosaik zusammengesetzten Datensatzbildern besteht. Das Mosaikverfahren wird während des Trainings eingesetzt und kombiniert mehrere Bilder zu einem einzigen Bild, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.

Zitate und Danksagungen#

Wenn du den COCO-Datensatz für deine Forschungs- oder Entwicklungsarbeit 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}
}

Wir möchten dem COCO-Konsortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision-Community danken. Weitere Informationen zum COCO-Datensatz und seinen Urhebern findest du auf der Website des COCO-Datensatzes.

FAQ#