Dataset COCO8-Pose

Introducción

Ultralytics COCO8-Pose es un conjunto de datos de detección de poses pequeño pero versátil compuesto por las 8 primeras imágenes del conjunto de entrenamiento 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 fácil de manejar, pero lo suficientemente diverso como para probar canalizaciones de entrenamiento en busca de errores y actuar como una comprobación de integridad antes de entrenar con conjuntos de datos más grandes.

Estructura del conjunto de datos

• Total de imágenes: 8 (4 de entrenamiento / 4 de validación).
• Clases: 1 (persona) con 17 puntos clave por anotación.
• Diseño de directorio recomendado: datasets/coco8-pose/images/{train,val} y datasets/coco8-pose/labels/{train,val} con puntos clave en formato YOLO almacenados como archivos .txt.

Este conjunto de datos está diseñado para su uso con Ultralytics Platform y YOLO26.

YAML del conjunto de datos

Se utiliza un archivo YAML (Yet Another Markup Language) para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otra información relevante del conjunto de datos. 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.zip

Uso

Para entrenar un modelo YOLO26n-pose en el conjunto de datos COCO8-Pose 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 de Entrenamiento del modelo.

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 y anotaciones de muestra

Aquí tienes algunos ejemplos de imágenes del conjunto de datos COCO8-Pose, junto con sus correspondientes anotaciones:

• Imagen en mosaico: esta imagen muestra un lote de entrenamiento compuesto por imágenes en mosaico del conjunto de datos. El mosaico es una técnica utilizada durante el entrenamiento que combina múltiples 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 generalizar a diferentes tamaños de objeto, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos COCO8-Pose y los beneficios de usar mosaicos durante el proceso de entrenamiento.

Citas y reconocimientos

Si utilizas el conjunto de datos COCO en tu trabajo de 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}
}

Nos gustaría agradecer 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

¿Qué es el conjunto de datos COCO8-Pose y cómo se utiliza con Ultralytics YOLO26?

El conjunto de datos COCO8-Pose es un conjunto de datos de detección de poses pequeño y versátil que incluye 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. Este conjunto de datos es ideal para experimentos rápidos con Ultralytics YOLO26. Para obtener más detalles sobre la configuración del conjunto de datos, consulta el archivo YAML del conjunto de datos.

¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos COCO8-Pose en Ultralytics?

Para entrenar un modelo YOLO26n-pose en el conjunto de datos COCO8-Pose durante 100 épocas con un tamaño de imagen de 640, sigue estos ejemplos:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

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

Para obtener una lista completa de los argumentos de entrenamiento, consulta la página de Entrenamiento del modelo.

¿Cuáles son los beneficios de usar el conjunto de datos COCO8-Pose?

El conjunto de datos COCO8-Pose ofrece varios beneficios:

• Tamaño compacto: Con solo 8 imágenes, es fácil de gestionar y perfecto para experimentos rápidos.
• Datos diversos: A pesar de su pequeño tamaño, incluye una variedad de escenas, útiles para realizar pruebas exhaustivas de la canalización.
• Depuración de errores: Ideal para identificar errores de entrenamiento y realizar comprobaciones de integridad antes de ampliar la escala a conjuntos de datos más grandes.

Para obtener más información sobre sus características y uso, consulta la sección Introducción al conjunto de datos.

¿Cómo beneficia el mosaico al proceso de entrenamiento de YOLO26 utilizando el conjunto de datos COCO8-Pose?

El mosaico, demostrado en las imágenes de muestra del conjunto de datos COCO8-Pose, combina varias imágenes en una, aumentando la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esta técnica ayuda a mejorar la capacidad del modelo para generalizar entre varios tamaños de objetos, relaciones de aspecto y contextos, mejorando en última instancia el rendimiento del modelo. Consulta la sección Imágenes de muestra y anotaciones para ver imágenes de ejemplo.

¿Dónde puedo encontrar el archivo YAML del conjunto de datos COCO8-Pose y cómo lo uso?

El archivo YAML del conjunto de datos COCO8-Pose se puede encontrar en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Este archivo define la configuración del conjunto de datos, incluidas las rutas, las clases y otra información relevante. Utiliza este archivo con los scripts de entrenamiento de YOLO26 como se menciona en la sección Ejemplo de entrenamiento.

Para obtener más preguntas frecuentes y documentación detallada, visita la Documentación de Ultralytics.