Conjunto de datos COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

Sample dataset with 8 images from COCO for testing YOLO pose estimation models. Contains human keypoint annotations for body pose detection and tracking.

31 class618.2 KBMar 16, 2026

person

Introducción#

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 pose estimation, o para experimentar con nuevos enfoques de detección de puntos clave. Con 8 imágenes, es lo suficientemente pequeño como para ser fácil de gestionar, pero lo bastante diverso como para probar los flujos de entrenamiento en busca de errores y actuar como una comprobación de sanidad antes de entrenar en el conjunto de datos COCO-Pose completo.

Estructura 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.
• 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.

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

YAML del dataset#

Se utiliza un archivo YAML 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 epochs con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para obtener una lista exhaustiva de los argumentos disponibles, consulta la página de Training 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)

Muestras de imágenes y anotaciones#

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 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.

Citas y agradecimientos#

Si utilizas el dataset 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}
}

Queremos agradecer al Consorcio COCO la creación y el mantenimiento de 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.

FAQ#