Dataset COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

COCO8-Pose is Ultralytics' minimal human-pose smoke-test set: four training and four validation images sampled from COCO. Each person uses the standard 17-keypoint body layout, allowing rapid validation of pose data loading, augmentation, training, and export workflows.

31 class618.2 KBSep 2, 2026

person

Introducción#

Ultralytics COCO8-Pose es un dataset de estimación de poses pequeño pero versátil, compuesto por las primeras 8 imágenes del conjunto de entrenamiento COCO 2017 (4 para entrenamiento y 4 para validación), que utiliza un esquema de 17 puntos clave para la única clase «persona». Este dataset es ideal para probar y depurar modelos de estimación de poses o experimentar con nuevos enfoques de detección de puntos clave. Con 8 imágenes, es lo bastante pequeño como para gestionarlo fácilmente y, a la vez, lo bastante diverso como para probar si las canalizaciones de entrenamiento contienen errores y servir como comprobación de coherencia antes de entrenar con el dataset completo COCO-Pose.

Estructura del dataset#

• Imágenes totales: 8 (4 de entrenamiento / 4 de validación).
• Clases: 1 (persona), con 17 tipos de puntos clave por anotación.
• Tamaño de la descarga: ~1 MB.
• Estructura de directorios recomendada: datasets/coco8-pose/images/{train,val} y datasets/coco8-pose/labels/{train,val}, con puntos clave en formato YOLO almacenados como archivos .txt.

Explora COCO8-Pose en Ultralytics Platform para examinar todas las imágenes con sus esqueletos de puntos clave, consultar las distribuciones de puntos clave y clases en la pestaña Charts y clonarlo para entrenar tu propio modelo en la nube.

YAML del dataset#

Se utiliza un archivo YAML para definir la configuración del dataset. Contiene información sobre las rutas, las clases y otros datos relevantes del dataset. En el caso del dataset 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.zip

Uso#

Para entrenar un modelo YOLO26n-pose con el dataset COCO8-Pose durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Consulta la página de entrenamiento del modelo para ver una lista completa de los argumentos disponibles.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

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

Imágenes de ejemplo y anotaciones#

Estos son algunos ejemplos de imágenes del dataset COCO8-Pose, junto con sus anotaciones correspondientes:

• Imagen con mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos combinadas mediante 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 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}
}

Nos gustaría reconocer la labor del Consorcio COCO por crear y mantener este valioso recurso para la comunidad de visión por ordenador. Para obtener más información sobre el dataset COCO y sus creadores, visita el sitio web del dataset COCO.

Preguntas frecuentes#