Conjunto de datos COCO128#
Introducción#
Ultralytics COCO128 es un conjunto de datos pequeño, pero versátil, de detección de objetos, compuesto por las primeras 128 imágenes del conjunto COCO train 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 bastante pequeño como para gestionarlo fácilmente, pero también lo bastante diverso como para probar si las canalizaciones de entrenamiento tienen errores y servir como comprobación básica antes de entrenar con conjuntos de datos más grandes.
Ver: Descripción general del conjunto de datos COCO de Ultralytics
Este conjunto de datos está pensado para utilizarse con Ultralytics Platform y YOLO26.
Estructura del conjunto de datos#
COCO128 contiene las primeras 128 imágenes del conjunto COCO train 2017, etiquetadas con los 80 nombres de clase de COCO (71 de los cuales aparecen en estas imágenes) en formato de etiquetas YOLO. Las mismas 128 imágenes sirven tanto para el conjunto de entrenamiento como para el de validación, lo que permite mantenerlo ligero para realizar comprobaciones básicas rápidas:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/YAML del conjunto de datos#
Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otros datos relevantes del conjunto. 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.zipUso#
El conjunto de datos COCO128 (7 MB) se descarga automáticamente la primera vez que empiezas a entrenar. Para entrenar un modelo YOLO26n con COCO128 durante 100 épocas con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para consultar una lista completa de los argumentos disponibles, visita la página de entrenamiento del modelo.
from ultralytics import YOLO
# Cargar un modelo
model = YOLO("yolo26n.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento)
# Entrenar el modelo
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Imágenes de muestra 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 dispuestas en mosaico. El mosaico es una técnica que se utiliza durante el entrenamiento para combinar varias imágenes en una sola y aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.
El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos COCO128, así como las ventajas de utilizar el mosaico durante el proceso de entrenamiento.
Citas y agradecimientos#
Si utilizas el conjunto de datos COCO en tu trabajo de investigación o desarrollo, 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}
}Queremos dar las gracias al Consorcio COCO 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.
Preguntas frecuentes#
El conjunto de datos COCO128 de Ultralytics es un subconjunto compacto que contiene las primeras 128 imágenes del conjunto COCO train 2017. Se utiliza principalmente para probar y depurar modelos de detección de objetos, experimentar con nuevos enfoques de detección y validar canalizaciones de entrenamiento antes de ampliarlas a conjuntos de datos más grandes. Su tamaño manejable lo hace perfecto para iteraciones rápidas, sin dejar de ofrecer la diversidad suficiente para que las pruebas sean significativas.
Para entrenar un modelo YOLO26 con el conjunto de datos COCO128, puedes utilizar Python o comandos de CLI. Así es como se hace:
Ejemplo de entrenamientofrom ultralytics import YOLO # Cargar un modelo preentrenado model = YOLO("yolo26n.pt") # Entrenar el modelo results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Para consultar más opciones y parámetros de entrenamiento, visita la documentación de entrenamiento.
El aumento de datos mediante mosaico, como se muestra en las imágenes de ejemplo, combina varias imágenes de entrenamiento en una única imagen compuesta. Esta técnica ofrece varias ventajas al entrenar con COCO128:
- Aumenta la variedad de objetos y contextos en cada lote de entrenamiento
- Mejora la capacidad de generalización del modelo con objetos de distintos tamaños y relaciones de aspecto
- Mejora el rendimiento de detección de objetos a distintas escalas
- Maximiza la utilidad de un conjunto de datos pequeño al crear muestras de entrenamiento más diversas
Esta técnica resulta especialmente valiosa con conjuntos de datos pequeños como COCO128, ya que ayuda a los modelos a aprender características más robustas a partir de datos limitados.
En cuanto al tamaño, COCO128 (128 imágenes) se sitúa entre COCO8 (8 imágenes) y el conjunto de datos COCO completo (más de 118 000 imágenes):
- COCO8: contiene solo 8 imágenes (4 de entrenamiento y 4 de validación), ideal para pruebas y depuración rápidas
- COCO128: contiene 128 imágenes, un equilibrio entre tamaño y diversidad
- COCO completo: contiene más de 118 000 imágenes de entrenamiento; es exhaustivo, pero requiere muchos recursos
COCO128 ofrece un buen término medio: proporciona más diversidad que COCO8 y, al mismo tiempo, es mucho más manejable que el conjunto de datos COCO completo para experimentar y desarrollar modelos iniciales.
Aunque COCO128 está diseñado principalmente para la detección de objetos, las anotaciones del conjunto de datos se pueden adaptar a otras tareas de visión artificial:
- Segmentación de instancias: utiliza las máscaras de segmentación incluidas en las anotaciones
- Detección de puntos clave: para imágenes que contienen personas con anotaciones de puntos clave
- Aprendizaje por transferencia: como punto de partida para ajustar modelos a tareas personalizadas
Para tareas especializadas como la segmentación, considera la posibilidad de utilizar variantes diseñadas para ese fin, como COCO8-seg, que incluyen las anotaciones adecuadas.