Skip to content

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 de muestra del conjunto de datos

  • 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.



📅 Creado hace 1 año ✏️ Actualizado hace 4 meses

Comentarios