Link to this sectionConjunto de datos COCO128#

Link to this sectionIntroducción#

Ultralytics COCO128 es un conjunto de datos de detección de objetos pequeño pero versátil compuesto por las primeras 128 imágenes del conjunto de entrenamiento COCO 2017. Este conjunto de datos es ideal para probar y depurar modelos de detección de objetos, o para experimentar con nuevos enfoques de detección. Con 128 imágenes, es lo suficientemente pequeño como para ser fácilmente manejable, pero lo bastante diverso como para probar los flujos de trabajo de entrenamiento en busca de errores y actuar como una comprobación de integridad antes de entrenar conjuntos de datos más grandes.

Este conjunto de datos está pensado para usarse con Ultralytics Platform y YOLO26.

Link to this sectionYAML del dataset#

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otra información relevante del conjunto de datos. En el caso del conjunto de datos COCO128, el archivo coco128.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco128
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip

Link to this sectionUso#

Para entrenar un modelo YOLO26n en el conjunto de datos COCO128 durante 100 épocas con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página de Entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Link to this sectionMuestras de imágenes y anotaciones#

Aquí tienes algunos ejemplos de imágenes del conjunto de datos COCO128, junto con sus anotaciones correspondientes:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina múltiples imágenes en una sola para aumentar la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a diferentes tamaños de objeto, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos COCO128 y las ventajas de utilizar el mosaico durante el proceso de entrenamiento.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset COCO en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

@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}
}

Nos gustaría reconocer al COCO Consortium por crear y mantener este valioso recurso para la comunidad de visión artificial. Para obtener más información sobre el conjunto de datos COCO y sus creadores, visita el sitio web del conjunto de datos COCO.

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el conjunto de datos Ultralytics COCO128?#

El conjunto de datos Ultralytics COCO128 es un subconjunto compacto que contiene las primeras 128 imágenes del conjunto de datos de entrenamiento COCO 2017. Se utiliza principalmente para probar y depurar modelos de detección de objetos, experimentar con nuevos enfoques de detección y validar flujos de trabajo de entrenamiento antes de escalar a conjuntos de datos más grandes. Su tamaño manejable lo hace perfecto para iteraciones rápidas, a la vez que proporciona suficiente diversidad para ser un caso de prueba significativo.

Link to this section¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos COCO128?#

Para entrenar un modelo YOLO26 en el conjunto de datos COCO128, puedes utilizar comandos de Python o de CLI. Aquí tienes cómo hacerlo:

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Para obtener más opciones y parámetros de entrenamiento, consulta la documentación de Entrenamiento.

Link to this section¿Cuáles son las ventajas de utilizar la aumentación de mosaico con COCO128?#

La aumentación de mosaico, como se muestra en las imágenes de ejemplo, combina varias imágenes de entrenamiento en una sola imagen compuesta. Esta técnica ofrece varias ventajas al entrenar con COCO128:

• Aumenta la variedad de objetos y contextos dentro de cada lote de entrenamiento
• Mejora la generalización del modelo en diferentes tamaños de objetos y relaciones de aspecto
• Mejora el rendimiento de detección para objetos a varias escalas
• Maximiza la utilidad de un conjunto de datos pequeño mediante la creación de muestras de entrenamiento más diversas

Esta técnica es especialmente valiosa para conjuntos de datos más pequeños como COCO128, ayudando a los modelos a aprender características más robustas a partir de datos limitados.

Link to this section¿Cómo se compara COCO128 con otras variantes del conjunto de datos COCO?#

COCO128 (128 imágenes) se sitúa entre COCO8 (8 imágenes) y el conjunto de datos COCO completo (más de 118.000 imágenes) en cuanto a tamaño:

• COCO8: Contiene solo 8 imágenes (4 de entrenamiento, 4 de validación); ideal para pruebas rápidas y depuración
• COCO128: Contiene 128 imágenes; un equilibrio entre tamaño y diversidad
• COCO completo: Contiene más de 118.000 imágenes de entrenamiento; exhaustivo pero requiere muchos recursos

COCO128 proporciona un buen punto intermedio, ofreciendo más diversidad que COCO8 y siendo mucho más manejable que el conjunto de datos COCO completo para la experimentación y el desarrollo inicial de modelos.

Link to this section¿Puedo utilizar COCO128 para tareas distintas a la detección de objetos?#

Aunque COCO128 está diseñado principalmente para la detección de objetos, las anotaciones del conjunto de datos pueden adaptarse para otras tareas de visión artificial:

• Segmentación de instancias: Utilizando las máscaras de segmentación proporcionadas en las anotaciones
• Detección de puntos clave: Para imágenes que contienen personas con anotaciones de puntos clave
• Transfer learning: Como punto de partida para ajustar modelos para tareas personalizadas

Para tareas especializadas como la segmentación, considera utilizar variantes diseñadas específicamente como COCO8-seg, que incluyen las anotaciones adecuadas.