Conjunto de datos COCO8-Pose
Introducción
Ultralytics COCO8-Pose es un conjunto de datos de detección de poses pequeño pero versátil, compuesto por las primeras 8 imágenes del conjunto de entrenamiento COCO 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 fácilmente manejable, pero lo suficientemente diverso como para probar las canalizaciones de entrenamiento en busca de errores y actuar como una verificación de cordura antes de entrenar conjuntos de datos más grandes.
Este conjunto de datos está destinado a ser utilizado con HUB y YOLO11 de Ultralytics.
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 coco8-pose.yaml
archivo 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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip
Uso
Para entrenar un modelo YOLO11n-pose en el conjunto de datos COCO8-Pose durante 100 épocas con un tamaño de imagen de 640, puede utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulte la página de Entrenamiento del modelo.
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
sample_images y anotaciones
Aquí hay 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 varias imágenes en una sola imagen 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 objetos, 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 agradecimientos
Si utiliza el conjunto de datos COCO en su trabajo de investigación o desarrollo, cite 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, visite el sitio web del conjunto de datos COCO.
Preguntas frecuentes
¿Qué es el conjunto de datos COCO8-Pose y cómo se utiliza con Ultralytics YOLO11?
El conjunto de datos COCO8-Pose es un conjunto de datos pequeño y versátil para la detección de poses que incluye las primeras 8 imágenes del conjunto de entrenamiento COCO 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 YOLO11. Para obtener más detalles sobre la configuración del conjunto de datos, consulte el archivo YAML del conjunto de datos.
¿Cómo entreno un modelo YOLO11 usando el conjunto de datos COCO8-Pose en Ultralytics?
Para entrenar un modelo YOLO11n-pose en el conjunto de datos COCO8-Pose durante 100 épocas con un tamaño de imagen de 640, siga estos ejemplos:
Ejemplo de entrenamiento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt")
# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt 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 varias ventajas:
- Tamaño compacto: Con solo 8 imágenes, es fácil de administrar y perfecto para experimentos rápidos.
- Datos diversos: A pesar de su pequeño tamaño, incluye una variedad de escenas, útiles para pruebas exhaustivas de la canalización.
- Depuración de errores: Ideal para identificar errores de entrenamiento y realizar comprobaciones de integridad antes de escalar 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 YOLO11 utilizando el conjunto de datos COCO8-Pose?
El mosaico, como se demuestra en las sample_images del conjunto de datos COCO8-Pose, combina varias imágenes en una sola, lo que aumenta la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esta técnica ayuda a mejorar la capacidad del modelo para generalizar a través de varios tamaños de objetos, relaciones de aspecto y contextos, lo que en última instancia mejora el rendimiento del modelo. Consulte la sección Sample Images and Annotations 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, incluyendo rutas, clases y otra información relevante. Utilice este archivo con los scripts de entrenamiento YOLO11 como se menciona en la sección Ejemplo de entrenamiento.
Para obtener más preguntas frecuentes y documentación detallada, visita la Documentación de Ultralytics.