Link to this sectionCOCO8-Pose Datensatz#

Link to this sectionEinführung#

Ultralytics COCO8-Pose ist ein kleiner, aber vielseitiger Datensatz zur Pose-Erkennung, 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 handhabbar zu sein, und dennoch vielfältig genug, um Trainings-Pipelines auf Fehler zu prüfen und als Plausibilitätsprüfung vor dem Training mit größeren Datensätzen zu dienen.

Link to this sectionDatensatzstruktur#

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

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

Link to this sectionDatensatz-YAML#

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Angaben. Im Fall des COCO8-Pose-Datensatzes wird die coco8-pose.yaml-Datei 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

Link to this sectionVerwendung#

Um ein YOLO26n-pose-Modell auf dem COCO8-Pose-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Modell-Seite Training.

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)

Link to this sectionBeispielbilder und Annotationen#

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

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

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

Link to this sectionZitate und Danksagungen#

Wenn du den COCO Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere 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. Für weitere Informationen über den COCO Datensatz und seine Ersteller besuche die COCO Datensatz-Website.

Link to this sectionFAQ#

Link to this sectionWas ist der COCO8-Pose-Datensatz und wie wird er mit Ultralytics YOLO26 verwendet?#

Der COCO8-Pose-Datensatz ist ein kleiner, vielseitiger Datensatz zur Pose-Erkennung, der die ersten 8 Bilder des COCO train 2017-Sets enthält, mit 4 Bildern für das Training und 4 für die Validierung. Er wurde zum Testen und Debuggen von Objekterkennungsmodellen sowie zum Experimentieren mit neuen Erkennungsansätzen entwickelt. Dieser Datensatz ist ideal für schnelle Experimente mit Ultralytics YOLO26. Weitere Details zur Konfiguration des Datensatzes findest du in der Dataset YAML-Datei.

Link to this sectionWie 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, folge diesen Beispielen:

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)

Eine umfassende Liste der Trainingsargumente findest du auf der Seite zum Modell-Training.

Link to this sectionWas sind die Vorteile der Nutzung des COCO8-Pose-Datensatzes?#

Der COCO8-Pose-Datensatz bietet verschiedene Vorteile:

• Kompakte Größe: Mit nur 8 Bildern ist er einfach zu verwalten und perfekt für schnelle Experimente.
• Vielfältige Daten: Trotz der geringen Größe enthält er eine Vielzahl von Szenen, was nützlich für gründliche Pipeline-Tests ist.
• Fehler-Debugging: Ideal, um Trainingsfehler zu identifizieren und Plausibilitätsprüfungen durchzuführen, bevor man zu größeren Datensätzen skaliert.

Mehr über seine Funktionen und Verwendung erfährst du im Abschnitt Datensatz-Einführung.

Link to this sectionWie kommt Mosaicing dem YOLO26-Trainingsprozess mit dem COCO8-Pose-Datensatz zugute?#

Mosaicing, das in den Beispielbildern des COCO8-Pose-Datensatzes demonstriert wird, kombiniert mehrere Bilder zu einem und erhöht so die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches. Diese Technik trägt dazu bei, die Generalisierungsfähigkeit des Modells über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu verbessern, was letztendlich die Modellleistung steigert. Siehe den Abschnitt Beispielbilder und Annotationen für Beispielbilder.

Link to this sectionWo finde ich die YAML-Datei für den COCO8-Pose-Datensatz und wie verwende ich sie?#

Die YAML-Datei für den COCO8-Pose-Datensatz findest du unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Diese Datei definiert die Konfiguration des Datensatzes, einschließlich Pfaden, Klassen und anderen relevanten Informationen. Verwende diese Datei mit den YOLO26-Trainingsskripten, wie im Abschnitt Trainingsbeispiel erwähnt.

Für weitere FAQs und detaillierte Dokumentation besuche die Ultralytics-Dokumentation.