Conjunto de datos COCO8#

8

coco8

ultralytics

publicDetect

COCO8 is Ultralytics' minimal object-detection smoke-test set: four training and four validation images sampled from COCO. It uses the 80-class taxonomy and real multi-object labels to validate data loading, augmentation, training, and export in seconds.

380 classes837.5 KBSep 2, 2026

personbicyclecarmotorcycle+76

Introducción#

El conjunto de datos COCO8 de Ultralytics es compacto, pero potente, y está destinado a la detección de objetos. Consta de las 8 primeras imágenes del conjunto de entrenamiento COCO 2017: 4 para entrenamiento y 4 para validación. Está diseñado específicamente para probar, depurar y experimentar rápidamente con modelos YOLO y flujos de entrenamiento. Su reducido tamaño facilita su gestión y su diversidad lo convierte en una prueba de comprobación eficaz antes de pasar a conjuntos de datos más grandes.

Estructura del conjunto de datos#

COCO8 está formado por las 8 primeras imágenes del conjunto de entrenamiento COCO 2017 —4 para entrenamiento y 4 para validación—, etiquetadas con los nombres de las 80 clases de COCO en formato de etiquetas YOLO:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Explora COCO8 en Ultralytics Platform para examinar todas las imágenes con sus superposiciones de anotaciones, consultar la distribución de clases y los mapas de calor de las cajas delimitadoras en la pestaña Charts, y clonarlo para entrenar tu propio modelo en la nube.

YAML del conjunto de datos#

La configuración del conjunto de datos COCO8 se define en un archivo YAML, que especifica las rutas del conjunto, los nombres de las clases y otros metadatos esenciales. Puedes consultar el archivo oficial coco8.yaml 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

Uso#

El conjunto de datos COCO8 (1 MB) se descarga automáticamente la primera vez que empiezas a entrenar. Para entrenar un modelo YOLO26n con COCO8 durante 100 épocas y un tamaño de imagen de 640, utiliza los siguientes ejemplos. Consulta la documentación de entrenamiento de YOLO para ver todas las opciones de entrenamiento.

from ultralytics import YOLO

# Carga un modelo YOLO26n preentrenado
model = YOLO("yolo26n.pt")

# Entrenar el modelo con COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Imágenes de muestra 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 muestra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos mediante el aumento de datos Mosaic. Este aumento de datos amplía la variedad de objetos y escenas de cada lote y ayuda al modelo a generalizar mejor a distintos tamaños de objetos, relaciones de aspecto y fondos.

Esta técnica resulta 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 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}
}

Agradecemos especialmente al Consorcio COCO sus continuas contribuciones a la comunidad de visión artificial.

Preguntas frecuentes#