Seguridad preparada para empresas: Conforme a ISO 27001 + SOC 2 Tipo I.
CC BY 4.0

Link to this sectionConjunto de datos COCO8-Pose#

Link to this sectionIntroducción#

Ultralytics COCO8-Pose es un conjunto de datos de estimación de poses pequeño pero versátil compuesto por las primeras 8 imágenes del conjunto COCO train 2017 (4 para entrenamiento, 4 para validación), que utiliza un esquema de 17 puntos clave para la única clase "person". 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 suficientemente pequeño como para ser fácil de manejar, pero lo suficientemente diverso como para comprobar errores en las canalizaciones de entrenamiento y actuar como una prueba de integridad antes de entrenar con el conjunto de datos completo COCO-Pose.

Link to this sectionEstructura del dataset#

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

Explora COCO8-Pose en la plataforma Ultralytics para navegar por cada imagen con sus esqueletos de puntos clave, ver las distribuciones de puntos clave y clases en la pestaña Charts, y clónalo para entrenar tu propio modelo en la nube.

Link to this sectionYAML del dataset#

Se utiliza un archivo YAML 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-Pose, el archivo coco8-pose.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

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

Link to this sectionUso#

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.

Ejemplo de entrenamiento
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)

Link to this sectionMuestras de imágenes y anotaciones#

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

COCO8-pose keypoint estimation dataset mosaic
  • 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 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.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset COCO en tu trabajo de investigación o desarrollo, por favor cita el siguiente artículo:

Cita
@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 al COCO Consortium 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.

Link to this sectionFAQ#

Link to this section¿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 estimación de poses pequeño y versátil que incluye las primeras 8 imágenes del conjunto COCO train 2017, con 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 experimentos rápidos con Ultralytics YOLO26. Para obtener más detalles sobre la configuración del conjunto de datos, consulta el archivo YAML del conjunto de datos.

Link to this section¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos COCO8-Pose en Ultralytics?#

Carga yolo26n-pose.pt y llama a model.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 obtener una lista completa de argumentos.

Link to this section¿Cuáles son los beneficios de utilizar el conjunto de datos COCO8-Pose?#

Con un total de 8 imágenes (4 de entrenamiento / 4 de validación), 1 clase, un esquema de 17 puntos clave y una descarga de ~1 MB, COCO8-Pose es lo suficientemente pequeño como para gestionarlo en segundos, pero lo suficientemente diverso como para comprobar la integridad de una canalización de entrenamiento de poses en busca de errores antes de escalar al conjunto de datos completo COCO-Pose. Para obtener más información sobre sus características y uso, consulta la sección Introducción al conjunto de datos.

Link to this section¿Cómo beneficia el mosaico al proceso de entrenamiento de YOLO26 utilizando el conjunto de datos COCO8-Pose?#

El mosaico combina varias imágenes en una, lo que aumenta la variedad de objetos y escenas dentro de cada lote de entrenamiento, lo que ayuda al modelo a generalizar entre tamaños de objeto, relaciones de aspecto y contextos. Consulta la sección Imágenes de muestra y anotaciones para ver un ejemplo.

Link to this section¿Dónde puedo encontrar el archivo YAML del conjunto de datos COCO8-Pose y cómo lo utilizo?#

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 información sobre los modelos de puntos clave, consulta los documentos de la tarea de Estimación de pose.

Colaboradores
GLglenn-jocher16RAraimbekovm3JKjk4e2MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

Comentarios