Conjunto de datos COCO8

Introducción

Ultralytics COCO8 es un pequeño pero versátil conjunto de datos de detección de objetos compuesto por las 8 primeras imágenes del conjunto COCO train 2017, 4 para entrenamiento y 4 para validación. Este conjunto de datos es ideal para probar y depurar modelos de detección de objetos, o para experimentar con nuevos enfoques de detección. Con 8 imágenes, es lo suficientemente pequeño como para ser fácilmente manejable, pero lo suficientemente diverso como para comprobar si hay errores en los procesos de entrenamiento y actuar como control de sanidad antes de entrenar conjuntos de datos más grandes.

Observa: Ultralytics Visión general del conjunto de datos COCO

Este conjunto de datos está pensado para su uso con Ultralytics HUB y YOLOv8.

Conjunto de datos YAML

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas del conjunto de datos, las clases y otra información relevante. En el caso del conjunto de datos COCO8, el archivo coco8.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

Utilización

Para entrenar un modelo YOLOv8n en el conjunto de datos COCO8 durante 100 épocas con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulta la página Entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

Ejemplos de imágenes y anotaciones

He aquí algunos ejemplos de imágenes del conjunto de datos COCO8, junto con sus correspondientes anotaciones:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina varias imágenes en una sola para aumentar la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizarse a diferentes tamaños de objetos, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos COCO8 y las ventajas de utilizar mosaicos durante el proceso de entrenamiento.

Citas y agradecimientos

Si utilizas el conjunto de datos COCO en tu trabajo de investigación o desarrollo, cita el siguiente documento:

@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}
}

Queremos agradecer al Consorcio COCO la creación y el mantenimiento de este valioso recurso para la comunidad de visión por ordenador. Para más información sobre el conjunto de datos COCO y sus creadores, visita el sitio web del conjunto de datos COCO.

PREGUNTAS FRECUENTES

¿Para qué se utiliza el conjunto de datos Ultralytics COCO8?

El conjunto de datos Ultralytics COCO8 es un conjunto de datos de detección de objetos compacto pero versátil, formado por las 8 primeras imágenes del conjunto COCO train 2017, con 4 imágenes para entrenamiento y 4 para validación. Está diseñado para probar y depurar modelos de detección de objetos y experimentar con nuevos enfoques de detección. A pesar de su pequeño tamaño, COCO8 ofrece suficiente diversidad para actuar como una comprobación de la cordura de tus tuberías de entrenamiento antes de desplegar conjuntos de datos más grandes. Para más detalles, consulta el conjunto de datos COCO8.

¿Cómo entreno un modelo YOLOv8 utilizando el conjunto de datos COCO8?

Para entrenar un modelo YOLOv8 utilizando el conjunto de datos COCO8, puedes emplear los comandos Python o CLI . Así es como puedes empezar:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

Para obtener una lista completa de los argumentos disponibles, consulta la página de Formación del modelo.

¿Por qué debería utilizar Ultralytics HUB para gestionar mi formación COCO8?

Ultralytics HUB es una herramienta web todo en uno diseñada para simplificar el entrenamiento y la implantación de los modelos YOLO , incluidos los modelos Ultralytics YOLOv8 sobre el conjunto de datos COCO8. Ofrece entrenamiento en la nube, seguimiento en tiempo real y gestión transparente del conjunto de datos. HUB te permite empezar el entrenamiento con un solo clic y evita las complejidades de las configuraciones manuales. Descubre más sobre Ultralytics HUB y sus ventajas.

¿Cuáles son las ventajas de utilizar el aumento de mosaico en el entrenamiento con el conjunto de datos COCO8?

El aumento en mosaico, demostrado en el conjunto de datos COCO8, combina varias imágenes en una sola durante el entrenamiento. Esta técnica aumenta la variedad de objetos y escenas en cada lote de entrenamiento, mejorando la capacidad del modelo para generalizar a través de diferentes tamaños de objetos, relaciones de aspecto y contextos. El resultado es un modelo de detección de objetos más robusto. Para más detalles, consulta la guía de entrenamiento.

¿Cómo puedo validar mi modelo YOLOv8 entrenado en el conjunto de datos COCO8?

La validación de tu modelo YOLOv8 entrenado en el conjunto de datos COCO8 puede realizarse utilizando los comandos de validación del modelo. Puedes invocar el modo de validación mediante el script CLI o Python para evaluar el rendimiento del modelo utilizando métricas precisas. Para obtener instrucciones detalladas, visita la página Validación.

📅 Created 10 months ago ✏️ Updated 11 days ago

Comentarios