Zum Inhalt springen

COCO8-Pose-Datensatz

EinfĂŒhrung

Ultralytics COCO8-Pose ist ein kleiner, aber vielseitiger Posenerkennungsdatensatz, der aus den ersten 8 Bildern des COCO train 2017 Sets besteht, 4 fĂŒr das Training und 4 fĂŒr die Validierung. Dieser Datensatz ist ideal zum Testen und Debuggen von Objekterkennungsmodellen oder zum Experimentieren mit neuen ErkennungsansĂ€tzen. Mit 8 Bildern ist er klein genug, um leicht verwaltet werden zu können, und dennoch vielfĂ€ltig genug, um die Trainingspipelines auf Fehler zu testen und vor dem Training grĂ¶ĂŸerer DatensĂ€tze zu ĂŒberprĂŒfen.

Dieser Datensatz ist fĂŒr die Verwendung mit Ultralytics HUB und YOLOv8.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) wird verwendet, um die Konfiguration des Datensatzes zu definieren. Sie enthĂ€lt Informationen ĂŒber die Pfade des Datensatzes, Klassen und andere relevante Informationen. 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 YOLO 🚀, AGPL-3.0 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: ../datasets/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

Verwendung

Um ein YOLOv8n-pose-Modell auf dem COCO8-Pose-Datensatz fĂŒr 100 Epochen mit einer BildgrĂ¶ĂŸe von 640 zu trainieren, kannst du die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfĂŒgbaren Argumente findest du auf der Seite Modelltraining.

Beispiel fĂŒr einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

Beispielbilder und Anmerkungen

Hier sind einige Beispiele von Bildern aus dem COCO8-Pose-Datensatz mit den entsprechenden Anmerkungen:

Datensatz Beispielbild

  • Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, der aus Mosaikbildern des Datensatzes besteht. Beim Mosaikieren werden mehrere Bilder zu einem einzigen Bild zusammengefĂŒgt, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dadurch wird die FĂ€higkeit des Modells verbessert, sich auf verschiedene ObjektgrĂ¶ĂŸen, SeitenverhĂ€ltnisse und Kontexte einzustellen.

Das Beispiel zeigt die Vielfalt und KomplexitÀt der Bilder im COCO8-Pose-Datensatz und die Vorteile der Mosaikbildung im Trainingsprozess.

Zitate und Danksagungen

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

@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 DollĂĄr},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Wir möchten dem COCO-Konsortium fĂŒr die Erstellung und Pflege dieser wertvollen Ressource fĂŒr die Computer Vision Community danken. Weitere Informationen ĂŒber den COCO-Datensatz und seine Schöpfer findest du auf der Website des COCO-Datensatzes.

FAQ

Was ist der COCO8-Pose-Datensatz und wie wird er mit Ultralytics YOLOv8 verwendet?

Der COCO8-Pose-Datensatz ist ein kleiner, vielseitiger Posenerkennungsdatensatz, der die ersten 8 Bilder aus dem COCO train 2017 Set enthĂ€lt, wobei 4 Bilder zum Trainieren und 4 zur Validierung dienen. Er eignet sich zum Testen und Debuggen von Objekterkennungsmodellen und zum Experimentieren mit neuen ErkennungsansĂ€tzen. Dieser Datensatz ist ideal fĂŒr schnelle Experimente mit Ultralytics YOLOv8. Weitere Details zur Konfiguration des Datensatzes findest du in der YAML-Datei des Datensatzes hier.

Wie trainiere ich ein YOLOv8 Modell mit dem COCO8-Pose-Datensatz in Ultralytics?

Um ein YOLOv8n-pose-Modell auf dem COCO8-Pose-Datensatz fĂŒr 100 Epochen mit einer BildgrĂ¶ĂŸe von 640 zu trainieren, befolge diese Beispiele:

Beispiel fĂŒr einen Zug

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-pose.yaml model=yolov8n.pt epochs=100 imgsz=640

Eine umfassende Liste der Trainingsargumente findest du auf der Seite Modelltraining.

Was sind die Vorteile der Verwendung des COCO8-Pose-Datensatzes?

Der COCO8-Pose-Datensatz bietet mehrere Vorteile:

  • Kompakte GrĂ¶ĂŸe: Mit nur 8 Bildern ist es leicht zu handhaben und perfekt fĂŒr schnelle Experimente.
  • VielfĂ€ltige Daten: Trotz seiner geringen GrĂ¶ĂŸe enthĂ€lt es eine Vielzahl von Szenen, die fĂŒr grĂŒndliche Pipeline-Tests nĂŒtzlich sind.
  • Fehlerbeseitigung: Ideal zum Erkennen von Trainingsfehlern und zur DurchfĂŒhrung von PlausibilitĂ€tsprĂŒfungen vor der Skalierung auf grĂ¶ĂŸere DatensĂ€tze.

Weitere Informationen zu den Funktionen und der Verwendung findest du im Abschnitt EinfĂŒhrung in das Dataset.

Wie profitiert das Mosaikieren vom YOLOv8 Trainingsprozess mit dem COCO8-Pose-Datensatz?

Beim Mosaicing, das in den Beispielbildern des COCO8-Positionsdatensatzes demonstriert wird, werden mehrere Bilder zu einem zusammengefasst, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Diese Technik trĂ€gt dazu bei, die FĂ€higkeit des Modells zu verbessern, ĂŒber verschiedene ObjektgrĂ¶ĂŸen, SeitenverhĂ€ltnisse und Kontexte hinweg zu generalisieren, was letztendlich die Leistung des Modells erhöht. Im Abschnitt Beispielbilder und Anmerkungen findest du Beispielbilder.

Wo finde ich die YAML-Datei fĂŒr den COCO8-Pose-Datensatz und wie kann ich sie verwenden?

Die YAML-Datei fĂŒr den COCO8-Pose-Datensatz findest du hier. Diese Datei definiert die Konfiguration des Datensatzes, einschließlich der Pfade, Klassen und anderer relevanter Informationen. Verwende diese Datei mit den YOLOv8 Trainingsskripten, wie im Abschnitt Train Example beschrieben.

Weitere FAQs und eine ausfĂŒhrliche Dokumentation findest du in der Ultralytics Dokumentation.



Erstellt am 2023-11-12, Aktualisiert am 2024-07-17
Autoren: hnliu_2@stu.xidian.edu.cn (1), glenn-jocher (7), Laughing-q (1)

Kommentare