Dataset COCO8#

8

coco8

ultralytics

publicDetect

Sample dataset with 8 images from COCO (Common Objects in Context) for testing YOLO object detection models. Ideal for validating training pipelines and quick experiments.

380 classes837.5 KBFeb 9, 2026

personbicyclecarmotorcycle+76

Introducción#

El conjunto de datos COCO8 de Ultralytics es un dataset de detección de objetos compacto pero potente, 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 y pipelines de entrenamiento de YOLO. Su pequeño tamaño hace que sea muy manejable, mientras que su diversidad garantiza que sirva como una comprobación de cordura eficaz antes de pasar a conjuntos de datos más grandes.

Estructura del dataset#

COCO8 incluye las primeras 8 imágenes del conjunto COCO train 2017 (4 para entrenamiento y 4 para validación), abarcando el conjunto completo de las 80 clases de objetos de COCO en formato de etiquetas YOLO:

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

Explora COCO8 en la plataforma Ultralytics para examinar cada imagen con sus superposiciones de anotaciones, ver 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 dataset#

La configuración del conjunto de datos COCO8 se define en un archivo YAML, que especifica las rutas de los conjuntos de datos, los nombres de las clases y otros metadatos esenciales. Puedes revisar 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 inicias el entrenamiento. Para entrenar un modelo YOLO26n en COCO8 durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para ver una lista completa de las 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)

Muestras 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.

Citas 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}
}

Agradecimientos especiales al Consorcio COCO por sus continuas contribuciones a la comunidad de visión por ordenador.

FAQ#