Enterprise-ready Sicherheit: ISO 27001 + SOC 2 Type I konform.
CC BY 4.0

Link to this sectionCOCO8-Pose Datensatz#

Link to this sectionEinführung#

Ultralytics COCO8-Pose ist ein kleiner, aber vielseitiger Datensatz für Pose Estimation, der aus den ersten 8 Bildern des COCO train 2017-Sets besteht (4 für das Training, 4 für die Validierung) und ein 17-Keypoint-Schema für die einzelne Klasse "person" verwendet. Dieser Datensatz ist ideal zum Testen und Debuggen von Pose Estimation-Modellen oder zum Experimentieren mit neuen Ansätzen zur Keypoint-Erkennung. Mit 8 Bildern ist er klein genug, um leicht handhabbar zu sein, aber dennoch vielfältig genug, um Trainingspipelines auf Fehler zu testen und als Plausibilitätsprüfung vor dem Training mit dem vollständigen COCO-Pose-Datensatz zu dienen.

Link to this sectionDatensatzstruktur#

  • Gesamtanzahl der Bilder: 8 (4 Training / 4 Validierung).
  • Klassen: 1 (person) mit 17 Keypoint-Typen pro Annotation.
  • Download-Größe: ~1 MB.
  • 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.

Erkunde COCO8-Pose auf der Ultralytics Platform, um jedes Bild mit seinen Keypoint-Skeletten zu durchsuchen, die Verteilungen der Keypoints und Klassen im Tab Charts einzusehen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade des Datasets, Klassen und weitere relevante Informationen. Im Fall des COCO8-Pose Datasets wird die coco8-pose.yaml Datei 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

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.

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)

Link to this sectionBeispielbilder und Annotationen#

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

COCO8-pose keypoint estimation dataset mosaic
  • 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.

Link to this sectionZitate und Danksagungen#

Wenn du den COCO Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Paper:

Zitat
@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 für Pose Estimation, 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 Pose Estimation-Modellen sowie zum Experimentieren mit neuen Ansätzen zur Keypoint-Erkennung entwickelt. Dieser Datensatz ist ideal für schnelle Experimente mit Ultralytics YOLO26. Weitere Details zur Konfiguration des Datensatzes findest du in der dataset YAML file.

Link to this sectionWie trainiere ich ein YOLO26-Modell mit dem COCO8-Pose-Datensatz in Ultralytics?#

Lade yolo26n-pose.pt und rufe model.train(data="coco8-pose.yaml", epochs=100, imgsz=640) auf – siehe das Train Example oben für die vollständigen Python- und CLI-Snippets sowie die Seite zum Modell-Training für eine umfassende Liste der Argumente.

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

Mit insgesamt 8 Bildern (4 train / 4 val), 1 Klasse, einem 17-Keypoint-Schema und einem Download von ~1 MB ist COCO8-Pose klein genug, um in Sekunden verwaltet zu werden, und dennoch vielfältig genug, um eine Pose-Trainingspipeline vor dem Hochskalieren auf den vollständigen COCO-Pose-Datensatz auf Fehler zu prüfen. Mehr zu seinen Funktionen und der Verwendung findest du im Abschnitt Dataset Introduction.

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

Mosaicing kombiniert mehrere Bilder zu einem einzigen, was die Vielfalt an Objekten und Szenen innerhalb jedes Trainings-Batches erhöht und dem Modell hilft, über Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu generalisieren. Siehe den Abschnitt Sample Images and Annotations für ein Beispiel.

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 mehr Informationen zu Keypoint-Modellen, siehe die Pose Estimation Aufgaben-Dokumentation.

Mitwirkende
GLglenn-jocher16RAraimbekovm3JKjk4e2MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

Kommentare