Link to this sectionDataset COCO8#

Link to this sectionIntroducción#

El conjunto de datos COCO8 de Ultralytics es un conjunto de datos compacto pero potente de object detection, que consta de las primeras 8 imágenes del conjunto COCO train 2017: 4 para entrenamiento y 4 para validación. Este conjunto de datos está diseñado específicamente para pruebas rápidas, depuración y experimentación con modelos YOLO y flujos de trabajo de entrenamiento. Su pequeño tamaño lo hace muy manejable, mientras que su diversidad garantiza que sirva como una comprobación de cordura eficaz antes de ampliarlo a conjuntos de datos más grandes.

COCO8 es totalmente compatible con Ultralytics Platform y YOLO26, lo que permite una integración perfecta en tus flujos de trabajo de visión artificial.

Link to this sectionYAML del dataset#

La configuración del dataset COCO8 se define en un archivo YAML (Yet Another Markup Language), que especifica las rutas del dataset, los nombres de las clases y otros metadatos esenciales. Puedes revisar el archivo coco8.yaml oficial en el repositorio de GitHub de Ultralytics.

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

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← 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 # 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)

# 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/coco8.zip

Link to this sectionUso#

Para entrenar un modelo YOLO26n en el dataset COCO8 durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para obtener una lista completa de opciones de entrenamiento, consulta la documentación de entrenamiento de YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Link to this sectionMuestras de imágenes y anotaciones#

A continuación se muestra un ejemplo de un lote de entrenamiento en mosaico del dataset COCO8:

• Imagen en mosaico: Esta imagen ilustra un lote de entrenamiento donde se combinan varias imágenes del dataset utilizando aumentación de mosaico. La aumentación de mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, ayudando al modelo a generalizar mejor ante diversos tamaños de objeto, relaciones de aspecto y fondos.

Esta técnica es especialmente útil para datasets pequeños como COCO8, ya que maximiza el valor de cada imagen durante el entrenamiento.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset COCO en tu 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}
}

Un agradecimiento especial al Consorcio COCO por sus continuas contribuciones a la comunidad de visión artificial.

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el dataset COCO8 de Ultralytics?#

El conjunto de datos COCO8 de Ultralytics está diseñado para la prueba y depuración rápidas de modelos de object detection. Con solo 8 imágenes (4 para entrenamiento, 4 para validación), es ideal para verificar tus flujos de trabajo de entrenamiento de YOLO y asegurar que todo funcione como esperas antes de escalar a conjuntos de datos más grandes. Explora la configuración YAML de COCO8 para más detalles.

Link to this section¿Cómo entreno un modelo YOLO26 utilizando el dataset COCO8?#

Puedes entrenar un modelo YOLO26 en COCO8 utilizando Python o la CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Para opciones de entrenamiento adicionales, consulta la documentación de entrenamiento de YOLO.

Link to this section¿Por qué debería utilizar Ultralytics Platform para gestionar mi entrenamiento con COCO8?#

Ultralytics Platform agiliza la gestión de conjuntos de datos, el entrenamiento y el despliegue para modelos YOLO, incluido COCO8. Con funciones como entrenamiento en la nube, monitorización en tiempo real y gestión intuitiva de conjuntos de datos, HUB te permite lanzar experimentos con un solo clic y elimina las molestias de la configuración manual. Aprende más sobre Ultralytics Platform y cómo puede acelerar tus proyectos de visión artificial.

Link to this section¿Cuáles son los beneficios de utilizar la aumentación de mosaico en el entrenamiento con el dataset COCO8?#

La aumentación Mosaic, tal como se utiliza en el entrenamiento con COCO8, combina múltiples imágenes en una sola durante cada lote. Esto aumenta la diversidad de objetos y fondos, ayudando a que tu modelo YOLO generalice mejor en nuevos escenarios. La aumentación Mosaic es especialmente valiosa para conjuntos de datos pequeños, ya que maximiza la información disponible en cada paso de entrenamiento. Para más información sobre esto, consulta la guía de entrenamiento.

Link to this section¿Cómo puedo validar mi modelo YOLO26 entrenado con el dataset COCO8?#

Para validar tu modelo YOLO26 después del entrenamiento en COCO8, utiliza los comandos de validación del modelo en Python o en la CLI. Esto evalúa el rendimiento de tu modelo utilizando métricas estándar. Para instrucciones paso a paso, visita la documentación de validación de YOLO.