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 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 con conjuntos de datos más grandes.

Este conjunto de datos está diseñado para su uso con Ultralytics Platform y YOLO26.

YAML del conjunto de datos

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/coco/
# 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

Uso

Para entrenar un modelo YOLO26n en el conjunto de datos COCO128 durante 100 épocas con un tamaño de imagen de 640, puedes usar 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)

Imágenes y anotaciones de muestra

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 en mosaico del conjunto de datos. 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 los beneficios de usar mosaico (mosaicing) durante el proceso de entrenamiento.

Citas y reconocimientos

Si utilizas el conjunto de datos 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 agradecer 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

¿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.

¿Cómo entreno un modelo YOLO26 usando el conjunto de datos COCO128?

Para entrenar un modelo YOLO26 en el conjunto de datos COCO128, puedes usar Python o comandos de CLI. Aquí te explico cómo:

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.

¿Cuáles son los beneficios de usar el aumento de mosaico (mosaic augmentation) con COCO128?

El aumento de mosaico, como se muestra en las imágenes de muestra, combina múltiples imágenes de entrenamiento en una sola imagen compuesta. Esta técnica ofrece varios beneficios 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.

¿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 términos de tamaño:

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

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

¿Puedo usar COCO128 para otras tareas además de la detección de objetos?

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

• Segmentación de instancias: Usando las máscaras de segmentación proporcionadas en las anotaciones
• Detección de puntos clave (keypoints): Para imágenes que contienen personas con anotaciones de puntos clave
• Aprendizaje por transferencia (transfer learning): Como punto de partida para ajustar modelos para tareas personalizadas

Para tareas especializadas como la segmentación, considera el uso de variantes creadas específicamente como COCO8-seg, que incluyen las anotaciones apropiadas.