COCO8-Pose-Datensatz#

8

coco8-pose

ultralytics

publicPose

COCO8-Pose is Ultralytics' minimal human-pose smoke-test set: four training and four validation images sampled from COCO. Each person uses the standard 17-keypoint body layout, allowing rapid validation of pose data loading, augmentation, training, and export workflows.

31 class618.2 KBSep 2, 2026

person

Einführung#

Der Ultralytics-Datensatz COCO8-Pose ist ein kleiner, aber vielseitiger Datensatz zur Pose-Schätzung. Er umfasst die ersten 8 Bilder aus dem COCO-Trainingssatz von 2017 (4 für das Training, 4 für die Validierung) und verwendet ein Schema mit 17 Schlüsselpunkten für die einzige Klasse „person“. Dieser Datensatz eignet sich ideal, um Pose-Schätzungsmodelle zu testen und Fehler zu beheben oder neue Ansätze zur Schlüsselpunkterkennung auszuprobieren. Mit 8 Bildern ist er leicht zu verwalten und zugleich vielfältig genug, um Trainingspipelines auf Fehler zu prüfen und vor dem Training mit dem vollständigen COCO-Pose-Datensatz einen Plausibilitätstest durchzuführen.

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 🚀 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#

Mit den folgenden Codeausschnitten kannst du ein YOLO26n-pose-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem COCO8-Pose-Datensatz trainieren. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.

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:

• 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:

@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#