Conjunto de datos COCO8-Pose

Introducción

Ultralytics COCO8-Pose es un pequeño pero versátil conjunto de datos de detección de poses compuesto por las 8 primeras imágenes del conjunto 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 fácilmente manejable, pero lo suficientemente diverso como para comprobar si hay errores en los procesos de entrenamiento y actuar como control de sanidad antes de entrenar conjuntos de datos más grandes.

Este conjunto de datos está pensado para su uso con Ultralytics HUB y YOLOv8.

Conjunto de datos YAML

Se utiliza un archivo YAML (Yet Another Markup Language) 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 YOLO 🚀, AGPL-3.0 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: ../datasets/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

Utilización

Para entrenar un modelo YOLOv8n-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 Entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

Ejemplos de imágenes y anotaciones

He aquí 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 varias 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 generalizarse a diferentes tamaños de objetos, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos COCO8-Pose y las ventajas de utilizar mosaicos durante el proceso de entrenamiento.

Citas y agradecimientos

Si utilizas el conjunto de datos COCO en tu trabajo de investigación o desarrollo, cita el siguiente documento:

@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 por ordenador. Para 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 YOLOv8 ?

El conjunto de datos COCO8-Pose es un pequeño y versátil conjunto de datos de detección de poses 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 YOLOv8. Para más detalles sobre la configuración del conjunto de datos, consulta el archivo YAML del conjunto de datos aquí.

¿Cómo entreno un modelo YOLOv8 utilizando el conjunto de datos COCO8-Pose en Ultralytics?

Para entrenar un modelo YOLOv8n-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("yolov8n-pose.pt")

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

yolo detect train data=coco8-pose.yaml model=yolov8n.pt epochs=100 imgsz=640

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

¿Qué ventajas tiene utilizar el conjunto de datos COCO8-Pose?

El conjunto de datos COCO8-Pose ofrece varias ventajas:

• Tamaño compacto: Con sólo 8 imágenes, es fácil de manejar y perfecto para experimentos rápidos.
• Datos diversos: A pesar de su pequeño tamaño, incluye una gran variedad de escenas, útiles para realizar pruebas exhaustivas de la tubería.
• Depuración de errores: Ideal para identificar errores de entrenamiento y realizar comprobaciones de sanidad antes de escalar a conjuntos de datos mayores.

Para más información sobre sus características y uso, consulta la sección Introducción al Conjunto de Datos.

¿Cómo beneficia el mosaico al proceso de entrenamiento YOLOv8 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 a través de 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 utilizo?

El archivo YAML del conjunto de datos COCO8-Pose se encuentra aquí. Este archivo define la configuración del conjunto de datos, incluyendo rutas, clases y otra información relevante. Utiliza este archivo con los scripts de entrenamiento de YOLOv8 , como se menciona en la sección Ejemplo de entrenamiento.

Para más preguntas frecuentes y documentación detallada, visita la Documentación deUltralytics .

Comentarios