Conjunto de datos COCO8-Pose
Introducción#
Ultralytics COCO8-Pose es un pequeño conjunto de datos de estimación de poses compuesto por las 8 primeras imágenes del conjunto COCO train 2017 (4 para entrenamiento y 4 para validación), que utiliza un esquema de 17 puntos clave para la única clase «persona». Este conjunto de datos es ideal para probar y depurar modelos de estimación de poses o para experimentar con nuevos enfoques de detección de puntos clave. Con 8 imágenes, es lo bastante pequeño como para gestionarlo fácilmente, pero también lo bastante diverso como para detectar errores en las canalizaciones de entrenamiento y servir como comprobación básica antes de entrenar con el conjunto de datos COCO-Pose completo.
Estructura del conjunto de datos#
- Total de imágenes: 8 (4 de entrenamiento / 4 de validación).
- Clases: 1 (person), con 17 tipos de puntos clave por anotación.
- Tamaño de la descarga: ~1 MB.
- Estructura de directorios recomendada:
datasets/coco8-pose/images/{train,val}ydatasets/coco8-pose/labels/{train,val}, con los puntos clave en formato YOLO guardados en archivos.txt.
Explora COCO8-Pose en la plataforma Ultralytics para examinar cada imagen con su esqueleto de puntos clave, consultar la distribución de puntos clave y clases en la pestaña Gráficos y clonarlo para entrenar tu propio modelo en la nube.
YAML del conjunto de datos#
Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otros datos relevantes. En el caso del conjunto de datos COCO8-Pose, el archivo coco8-pose.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-pose ← 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-pose # 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)
# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]
# Classes
names:
0: person
# Keypoint names per class
kpt_names:
0:
- nose
- left_eye
- right_eye
- left_ear
- right_ear
- left_shoulder
- right_shoulder
- left_elbow
- right_elbow
- left_wrist
- right_wrist
- left_hip
- right_hip
- left_knee
- right_knee
- left_ankle
- right_ankle
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zipUso#
Para entrenar un modelo YOLO26n-pose con el conjunto de datos COCO8-Pose durante 100 épocas y con un tamaño de imagen de 640, puedes usar los siguientes fragmentos de código.
from ultralytics import YOLO
# Cargar un modelo
model = YOLO("yolo26n-pose.pt") # Carga un modelo preentrenado (recomendado para el entrenamiento)
# Entrenar el modelo
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)Imágenes de muestra y anotaciones#
Aquí tienes algunos ejemplos de imágenes del conjunto de datos COCO8-Pose junto con sus anotaciones correspondientes:
- Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos dispuestas en mosaico. El mosaico es una técnica que se utiliza durante el entrenamiento para combinar varias imágenes en una sola y aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.
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}
}Queremos dar las gracias al Consorcio COCO por crear y mantener este valioso recurso para la comunidad de visión artificial. Para obtener más información sobre el conjunto de datos COCO y sus creadores, visita el sitio web del conjunto de datos COCO.
Preguntas frecuentes#
El conjunto de datos COCO8-Pose es un conjunto pequeño para la estimación de poses que incluye las 8 primeras imágenes del conjunto COCO train 2017: 4 imágenes para entrenamiento y 4 para validación. Está diseñado para probar y depurar modelos de estimación de poses y experimentar con nuevos enfoques de detección de puntos clave. Este conjunto de datos es ideal para hacer pruebas rápidas con Ultralytics YOLO26.
Carga
yolo26n-pose.pty llama amodel.train(data="coco8-pose.yaml", epochs=100, imgsz=640); consulta el ejemplo de entrenamiento anterior para ver los fragmentos completos de Python y CLI, y la página de entrenamiento del modelo para consultar una lista completa de argumentos.Con solo 8 imágenes en total (4 de entrenamiento / 4 de validación), 1 clase, un esquema de 17 puntos clave y una descarga de ~1 MB, COCO8-Pose se gestiona en segundos y ofrece suficiente diversidad para comprobar que el proceso de entrenamiento de pose no tiene errores antes de ampliarlo al conjunto completo COCO-Pose. Para obtener más información sobre sus características y uso, consulta la sección Introducción al conjunto de datos.
La creación de mosaicos combina varias imágenes en una, lo que aumenta la variedad de objetos y escenas de cada lote de entrenamiento y ayuda al modelo a generalizar con distintos tamaños de objetos, proporciones y contextos. Consulta la sección Imágenes de ejemplo y anotaciones para ver un ejemplo.
El archivo YAML del conjunto de datos COCO8-Pose se encuentra en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Define la configuración del conjunto de datos, incluidas las rutas, las clases y otros datos relevantes. Utiliza este archivo con los scripts de entrenamiento de YOLO26, tal como se indica en la sección Ejemplo de entrenamiento.
Para obtener más información sobre los modelos de puntos clave, consulta la documentación de la tarea de estimación de pose.
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.



