Erste Schritte

COCO8-Pose-Datensatz

Einführung#

Ultralytics COCO8-Pose ist ein kleiner Datensatz zur Posenschätzung, der aus den ersten 8 Bildern des COCO-train-2017-Satzes besteht (4 zum Trainieren, 4 zur Validierung) und ein Schema mit 17 Keypoints für die einzelne Klasse „person“ verwendet. Dieser Datensatz eignet sich ideal zum Testen und Debuggen von Modellen zur Posenschätzung sowie zum Ausprobieren neuer Ansätze zur Keypoint-Erkennung. Mit 8 Bildern ist er klein genug, um sich leicht verwalten zu lassen, und zugleich vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und vor dem Training mit dem vollständigen COCO-Pose-Datensatz als Plausibilitätsprüfung zu dienen.

Datensatzstruktur#

  • Bilder insgesamt: 8 (4 train / 4 val).
  • 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}; Schlüsselpunkte im YOLO-Format werden in Dateien vom Typ .txt gespeichert.

Entdecke COCO8-Pose auf der Ultralytics Platform, um alle Bilder mit ihren Schlüsselpunktskeletten zu durchsuchen, die Verteilungen der Schlüsselpunkte und Klassen im Tab Charts anzusehen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

YAML-Datei des Datensatzes#

Eine YAML-Datei dient zum Festlegen der Datensatzkonfiguration. Sie enthält Informationen zu den Pfaden, Klassen und weiteren relevanten Angaben 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/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

Verwendung#

Um ein YOLO26n-pose-Modell für 100 Epochen mit einer Bildgröße von 640 auf dem Datensatz COCO8-Pose zu trainieren, kannst du die folgenden Codebeispiele verwenden.

Trainingsbeispiel
from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-pose.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Hier sind einige Beispielbilder aus dem COCO8-Pose-Datensatz mit den zugehörigen Annotationen:

COCO8-pose keypoint estimation dataset mosaic
  • Mosaikbild: Dieses Bild zeigt einen Trainingsbatch aus mosaikartig kombinierten Datensatzbildern. Beim Mosaikverfahren werden während des Trainings mehrere Bilder zu einem einzigen Bild kombiniert, um die Vielfalt der Objekte und Szenen in jedem Trainingsbatch zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.

Zitate und Danksagungen#

Wenn du den COCO-Datensatz für deine Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Arbeit:

Zitierung
@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 dafür danken, dass es diese wertvolle Ressource für die Computer-Vision-Community erstellt und pflegt. Weitere Informationen zum COCO-Datensatz und seinen Urhebern findest du auf der COCO-Datensatz-Website.

Häufig gestellte Fragen#

  • Der Datensatz COCO8-Pose ist ein kleiner Datensatz zur Posenschätzung. Er enthält die ersten 8 Bilder aus dem COCO-Trainingssatz von 2017, davon 4 Bilder für das Training und 4 für die Validierung. Er wurde für das Testen und Debuggen von Posenschätzungsmodellen sowie für Experimente mit neuen Ansätzen zur Keypoint-Erkennung entwickelt. Dieser Datensatz eignet sich ideal für schnelle Experimente mit Ultralytics YOLO26.

  • Lade yolo26n-pose.pt und rufe model.train(data="coco8-pose.yaml", epochs=100, imgsz=640) auf – im obigen Trainingsbeispiel findest du die vollständigen Python- und CLI-Codeausschnitte. Eine umfassende Liste der Argumente enthält die Seite Training des Modells.

  • Mit insgesamt 8 Bildern (4 train / 4 val), 1 Klasse, einem Schema mit 17 Schlüsselpunkten und einer Downloadgröße von ~1 MB ist COCO8-Pose in wenigen Sekunden einsatzbereit und zugleich vielfältig genug, um eine Trainingspipeline zur Pose-Schätzung vor der Skalierung auf den vollständigen COCO-Pose-Datensatz auf Fehler zu prüfen. Weitere Informationen zu den Merkmalen und zur Verwendung findest du im Abschnitt Einführung in den Datensatz.

  • Beim Mosaikverfahren werden mehrere Bilder zu einem Bild zusammengefügt. Dadurch erhöht sich die Vielfalt der Objekte und Szenen in jedem Trainings-Batch, was dem Modell hilft, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren. Ein Beispiel findest du im Abschnitt Beispielbilder und Annotationen.

  • Die YAML-Datei des COCO8-Pose-Datensatzes findest du unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Diese Datei legt die Datensatzkonfiguration fest, einschließlich Pfaden, Klassen und weiterer relevanter Angaben. Verwende die Datei mit den YOLO26-Trainingsskripten, wie im Abschnitt Trainingsbeispiel beschrieben.

    Weitere Informationen zu Schlüsselpunktemodellen findest du in der Dokumentation zur Aufgabe Pose-Schätzung.

Kommentare

Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.