COCO8-Pose Datensatz#

8

coco8-pose

ultralytics

publicPose

Sample dataset with 8 images from COCO for testing YOLO pose estimation models. Contains human keypoint annotations for body pose detection and tracking.

31 class618.2 KBMar 16, 2026

person

Einführung#

Ultralytics COCO8-Pose ist ein kleiner, aber vielseitiger Pose-Estimation-Datensatz, der aus den ersten 8 Bildern des COCO-train-2017-Sets besteht (4 für das Training, 4 für die Validierung) und ein Schema mit 17 Keypoints 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, und dennoch abwechslungsreich genug, um Trainings-Pipelines auf Fehler zu testen und als Plausibilitätsprüfung (Sanity Check) zu dienen, bevor das Training mit dem vollständigen COCO-Pose-Datensatz durchgeführt wird.

Datensatzstruktur#

• Gesamtanzahl der Bilder: 8 (4 Training / 4 Validierung).
• Klassen: 1 (person) mit 17 Keypoint-Typen pro Annotation.
• Download-Größe: ~1 MB.
• Empfohlenes Verzeichnislayout: datasets/coco8-pose/images/{train,val} und datasets/coco8-pose/labels/{train,val} mit Keypoints im YOLO-Format, die als .txt-Dateien gespeichert sind.

Entdecke COCO8-Pose auf Ultralytics Platform, um jedes Bild samt Skeletten der Keypoints zu durchstöbern, die Verteilungen der Keypoints und Klassen im Tab Charts anzusehen und das Projekt zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Datensatz-YAML#

Eine YAML-Datei wird verwendet, um die Dataset-Konfiguration zu definieren. Sie enthält Informationen über die Pfade des Datensatzes, Klassen und andere relevante Informationen. Im Fall des COCO8-Pose-Datensatzes 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#

Um ein YOLO26n-pose-Modell auf dem COCO8-Pose-Datensatz für 100 epochs mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Modellseite für 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)

Beispielbilder 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.

Zitate 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 dafür danken, dass es diese wertvolle Ressource für die Computer Vision-Community erstellt und pflegt. Weitere Informationen über den COCO-Datensatz und seine Ersteller findest du auf der Website des COCO-Datensatzes.

FAQ#