Conjunto de datos COCO8
Introducción
El conjunto de datos COCO8 de Ultralytics es un conjunto de datos de detección de objetos compacto pero potente, que consta de las primeras 8 imágenes del conjunto de entrenamiento COCO 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 asegura que sirva como una verificación de integridad eficaz antes de escalar a conjuntos de datos más grandes.
Ver: Descripción general del conjunto de datos COCO de Ultralytics
COCO8 es totalmente compatible con Ultralytics HUB y YOLO11, lo que permite una integración perfecta en sus flujos de trabajo de visión artificial.
YAML del conjunto de datos
La configuración del conjunto de datos COCO8 se define en un archivo YAML (Yet Another Markup Language), que especifica las rutas del conjunto de datos, los nombres de las clases y otros metadatos esenciales. Puedes revisar el archivo oficial coco8.yaml archivo en el repositorio de Ultralytics en GitHub.
ultralytics/cfg/datasets/coco8.yaml
# 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
Uso
Para entrenar un modelo YOLO11n en el conjunto de datos COCO8 durante 100 epochs con un tamaño de imagen de 640, utilice los siguientes ejemplos. Para obtener una lista completa de las opciones de entrenamiento, consulte la documentación de entrenamiento de YOLO.
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
sample_images y anotaciones
A continuación, se muestra un ejemplo de un lote de entrenamiento en mosaico del conjunto de datos COCO8:
- Imagen en mosaico: Esta imagen ilustra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos mediante el aumento de mosaico. El aumento de mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, lo que ayuda al modelo a generalizar mejor a varios tamaños de objeto, relaciones de aspecto y fondos.
Esta técnica es especialmente útil para conjuntos de datos pequeños como COCO8, ya que maximiza el valor de cada imagen durante el entrenamiento.
Citas y agradecimientos
Si utilizas el conjunto de datos 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.
Preguntas frecuentes
¿Para qué se utiliza el conjunto de datos COCO8 de Ultralytics?
El conjunto de datos Ultralytics COCO8 está diseñado para pruebas rápidas y depuración de modelos de detección de objetos. Con solo 8 imágenes (4 para entrenamiento, 4 para validación), es ideal para verificar sus pipelines de entrenamiento YOLO y asegurarse de que todo funcione como se espera antes de escalar a conjuntos de datos más grandes. Explore la configuración COCO8 YAML para obtener más detalles.
¿Cómo entreno un modelo YOLO11 utilizando el conjunto de datos COCO8?
Puedes entrenar un modelo YOLO11 en COCO8 usando Python o la CLI:
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Para opciones de entrenamiento adicionales, consulte la documentación de Entrenamiento YOLO.
¿Por qué debería usar Ultralytics HUB para administrar mi entrenamiento COCO8?
Ultralytics HUB agiliza la gestión, el entrenamiento y la implementación de conjuntos de datos para modelos YOLO, incluido COCO8. Con funciones como el entrenamiento en la nube, la supervisión en tiempo real y el manejo intuitivo de conjuntos de datos, HUB te permite iniciar experimentos con un solo clic y elimina las molestias de la configuración manual. Obtén más información sobre Ultralytics HUB y cómo puede acelerar tus proyectos de visión artificial.
¿Cuáles son los beneficios de usar el aumento de mosaico en el entrenamiento con el conjunto de datos COCO8?
El aumento de mosaico, tal como se usa en el entrenamiento COCO8, combina múltiples imágenes en una durante cada lote. Esto aumenta la diversidad de objetos y fondos, lo que ayuda a que su modelo YOLO se generalice mejor a nuevos escenarios. El aumento de mosaico es especialmente valioso para conjuntos de datos pequeños, ya que maximiza la información disponible en cada paso de entrenamiento. Para obtener más información sobre esto, consulte la guía de entrenamiento.
¿Cómo puedo validar mi modelo YOLO11 entrenado en el conjunto de datos COCO8?
Para validar su modelo YOLO11 después del entrenamiento en COCO8, use los comandos de validación del modelo en Python o CLI. Esto evalúa el rendimiento de su modelo utilizando métricas estándar. Para obtener instrucciones paso a paso, visite la documentación de validación de YOLO.
