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 Objekterkennungs-Modellen oder zum Experimentieren mit neuen Erkennungsansätzen. 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 größerer Datensätze zu dienen.

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

Datensatz-YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthält Informationen über die Pfade, Klassen und andere relevante Informationen des Datensatzes. Im Fall des COCO8-Pose-Datensatzes ist die 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

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

Nutzung

Um ein YOLO11n-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 Trainings-Seite des Modells.

Trainingsbeispiel

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

sample_images und Anmerkungen

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

Beispielbild des Datensatzes

  • 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 demonstriert die Vielfalt und Komplexität der Bilder im COCO8-Pose-Datensatz und 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 das COCO-Konsortium für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision-Community anerkennen. Weitere Informationen über den COCO-Datensatz und seine Urheber finden Sie auf der COCO-Datensatz-Website.

FAQ

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

Der COCO8-Pose-Datensatz ist ein kleiner, vielseitiger Datensatz zur Posenerkennung, der die ersten 8 Bilder aus dem COCO-Trainingsdatensatz von 2017 enthält, mit 4 Bildern für das Training und 4 für die Validierung. Er ist für das Testen und Debuggen von Objekterkennungsmodellen und das Experimentieren mit neuen Erkennungsansätzen konzipiert. Dieser Datensatz ist ideal für schnelle Experimente mit Ultralytics YOLO11. Weitere Informationen zur Datensatzkonfiguration finden Sie in der YAML-Datei des Datensatzes.

Wie trainiere ich ein YOLO11-Modell mit dem COCO8-Pose Datensatz in Ultralytics?

Um ein YOLO11n-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("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 Trainingsargumente finden Sie auf der Seite Training des Modells.

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

Der COCO8-Pose-Datensatz 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 wirkt sich Mosaicing auf den YOLO11-Trainingsprozess unter Verwendung des COCO8-Pose-Datensatzes aus?

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

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

Die YAML-Datei des COCO8-Pose-Datensatzes finden Sie unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Diese Datei definiert die Konfiguration des Datensatzes, einschließlich Pfade, Klassen und andere relevante Informationen. Verwenden Sie diese Datei mit den YOLO11-Trainingsskripten, wie im Abschnitt Trainingsbeispiel erwähnt.

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



📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 4 Monaten

Kommentare