Zum Inhalt springen

COCO8-Pose-Datensatz

Einführung

Ultralytics COCO8-Pose ist ein kleiner, aber vielseitiger Datensatz zur Posenerkennung, der aus den ersten 8 Bildern des COCO Train 2017-Sets besteht, 4 für das Training und 4 für die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von object detection-Modellen oder zum Experimentieren mit neuen Detektionsansätzen. Mit 8 Bildern ist er klein genug, um leicht verwaltet werden zu können, aber dennoch vielfältig genug, um Trainingspipelines auf Fehler zu testen und als Plausibilitätsprüfung vor dem Training mit größeren Datensätzen zu dienen.

Dataset-Struktur

  • Gesamtbilder: 8 (4 Training / 4 Validierung).
  • Klassen: 1 (Person) mit 17 Schlüsselpunkten pro Annotation.
  • Empfohlene Verzeichnisstruktur: datasets/coco8-pose/images/{train,val} und datasets/coco8-pose/labels/{train,val} mit YOLO-Format-Keypoints, gespeichert als .txt Dateien.

Dieser Datensatz ist für die Verwendung mit Ultralytics Platform und YOLO26 vorgesehen.

Datensatz-YAML

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

Ultralytics/cfg/datasets/COCO8-pose.yaml

# 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

Nutzung

Um ein YOLO26n-pose-Modell auf dem COCO8-Pose Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Code-Snippets verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Trainingsseite des Modells.

Trainingsbeispiel

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)

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640

sample_images und Anmerkungen

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

COCO8-Keypoint-Schätzung-Datensatz-Mosaik

  • Mosaikbild: Dieses Bild zeigt einen Trainings-Batch, der aus Mosaik-Datensatzbildern besteht. Mosaicing ist eine Technik, die während des Trainings verwendet wird und mehrere Bilder zu einem einzigen Bild kombiniert, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batch zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zu verbessern, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren.

Das Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im COCO8-Pose-Datensatz sowie die Vorteile der Verwendung von Mosaicing während des Trainingsprozesses.

Zitate und Danksagungen

Wenn Sie den COCO-Datensatz in Ihrer Forschungs- oder Entwicklungsarbeit verwenden, zitieren Sie bitte das folgende Paper:

@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 Consortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision-Community danken. Weitere Informationen zum COCO-Datensatz und seinen Erstellern finden Sie auf der COCO-Datensatz-Website.

FAQ

Was ist der COCO8-Pose Datensatz und wie wird er mit Ultralytics YOLO26 verwendet?

Der COCO8-Pose Datensatz ist ein kleiner, vielseitiger Pose-Detection-Datensatz, der die ersten 8 Bilder aus dem COCO train 2017 Set enthält, mit 4 Bildern für das Training und 4 für die Validierung. Er wurde zum Testen und Debuggen von Objekterkennungsmodellen und zum Experimentieren mit neuen Erkennungsansätzen entwickelt. Dieser Datensatz ist ideal für schnelle Experimente mit Ultralytics YOLO26. Weitere Details zur Datensatzkonfiguration finden Sie in der dataset YAML-Datei.

Wie trainiere ich ein YOLO26-Modell mit dem COCO8-Pose Datensatz in Ultralytics?

Um ein YOLO26n-pose-Modell auf dem COCO8-Pose Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, folgen Sie diesen Beispielen:

Trainingsbeispiel

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

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

yolo pose train data=coco8-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640

Eine umfassende Liste der Trainingsargumente finden Sie auf der Seite Training des Modells.

Welche Vorteile bietet die Verwendung des COCO8-Pose-Datensatzes?

Das COCO8-Pose-Dataset bietet mehrere Vorteile:

  • Kompakte Größe: Mit nur 8 Bildern ist es einfach zu verwalten und perfekt für schnelle Experimente.
  • Vielfältige Daten: Trotz seiner geringen Größe umfasst es eine Vielzahl von Szenen, die für gründliche Pipeline-Tests nützlich sind.
  • Fehlerbehebung: Ideal zur Identifizierung von Trainingsfehlern und zur Durchführung von Plausibilitätsprüfungen, bevor auf größere Datensätze skaliert wird.

Weitere Informationen über seine Funktionen und Verwendung finden Sie im Abschnitt Dataset Introduction.

Wie profitiert der YOLO26-Trainingsprozess von Mosaicing bei Verwendung des COCO8-Pose Datensatzes?

Mosaicing, wie in den sample_images des COCO8-Pose-Datensatzes demonstriert, kombiniert mehrere Bilder zu einem, wodurch die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches erhöht wird. Diese Technik verbessert die Fähigkeit des Modells, über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu generalisieren, was letztendlich die Modellleistung steigert. Beispielbilder finden Sie im Abschnitt Sample Images and Annotations.

Wo finde ich die YAML-Datei des COCO8-Pose-Datensatzes und wie verwende ich sie?

Die COCO8-Pose dataset YAML-Datei finden Sie unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Diese Datei definiert die Datensatzkonfiguration, einschließlich Pfaden, Klassen und anderen relevanten Informationen. Verwenden Sie diese Datei mit den YOLO26-Trainingsskripten, wie im Abschnitt Train Example erwähnt.

Weitere FAQs und detaillierte Dokumentationen finden Sie in der Ultralytics-Dokumentation.



📅 Erstellt vor 2 Jahren ✏️ Aktualisiert vor 7 Tagen
glenn-jocherUltralyticsAssistantjk4eMatthewNoyceRizwanMunawarhnliu_2@stu.xidian.edu.cn

Kommentare