Ensemble de données COCO128
Introduction
Ultralytics COCO128 est un petit mais polyvalent jeu de données de détection d'objets composé des 128 premières images de l'ensemble COCO train 2017. Ce jeu de données est idéal pour tester et déboguer des modèles de détection d'objets, ou pour expérimenter de nouvelles approches de détection. Avec 128 images, il est suffisamment petit pour être facilement gérable, mais suffisamment diversifié pour tester les pipelines d'entraînement à la recherche d'erreurs et servir de contrôle de cohérence avant d'entraîner des jeux de données plus volumineux.
Regarder : Présentation du jeu de données Ultralytics COCO
Ce jeu de données est destiné à être utilisé avec HUB Ultralytics et YOLO11.
YAML du jeu de données
Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration de l'ensemble de données. Il contient des informations sur les chemins d'accès, les classes et d'autres informations pertinentes de l'ensemble de données. Dans le cas de l'ensemble de données COCO128, le coco128.yaml
fichier est maintenu à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.
ultralytics/cfg/datasets/coco128.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip
Utilisation
Pour entraîner un modèle YOLO11n sur le jeu de données COCO128 pendant 100 epochs avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consultez la page Training du modèle.
Exemple d'entraînement
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Images et annotations d'exemple
Voici quelques exemples d'images du jeu de données COCO128, accompagnées de leurs annotations correspondantes :
- Image mosaïque : Cette image montre un lot d'entraînement composé d'images d'ensemble de données en mosaïque. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule image pour augmenter la variété des objets et des scènes dans chaque lot d'entraînement. Cela permet d'améliorer la capacité du modèle à se généraliser à différentes tailles d'objets, rapports hauteur/largeur et contextes.
L'exemple présente la variété et la complexité des images dans l'ensemble de données COCO128 et les avantages de l'utilisation de la mosaïque pendant le processus d'entraînement.
Citations et remerciements
Si vous utilisez l'ensemble de données COCO dans vos travaux de recherche ou de développement, veuillez citer l'article suivant :
@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}
}
Nous tenons à remercier le COCO Consortium pour la création et la maintenance de cette ressource précieuse pour la communauté de la vision par ordinateur. Pour plus d'informations sur l'ensemble de données COCO et ses créateurs, visitez le site web de l'ensemble de données COCO.
FAQ
À quoi sert le jeu de données Ultralytics COCO128 ?
L'ensemble de données Ultralytics COCO128 est un sous-ensemble compact contenant les 128 premières images de l'ensemble de données COCO train 2017. Il est principalement utilisé pour tester et déboguer les modèles de détection d'objets, expérimenter de nouvelles approches de détection et valider les pipelines d'entraînement avant de passer à des ensembles de données plus volumineux. Sa taille gérable le rend parfait pour des itérations rapides tout en offrant suffisamment de diversité pour constituer un cas de test significatif.
Comment puis-je entraîner un modèle YOLO11 en utilisant le jeu de données COCO128 ?
Pour entraîner un modèle YOLO11 sur le jeu de données COCO128, vous pouvez utiliser des commandes python ou CLI. Voici comment :
Exemple d'entraînement
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n.pt")
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Pour plus d'options et de paramètres d'entraînement, consultez la documentation Entraînement.
Quels sont les avantages de l'utilisation de l'augmentation mosaïque avec COCO128 ?
L'augmentation mosaïque, comme illustré dans les sample_images, combine plusieurs images d'entraînement en une seule image composite. Cette technique offre plusieurs avantages lors de l'entraînement avec COCO128 :
- Augmente la variété des objets et des contextes au sein de chaque lot d'entraînement
- Améliore la généralisation du modèle à travers différentes tailles d'objets et rapports d'aspect
- Améliore les performances de détection pour les objets à différentes échelles
- Maximise l'utilité d'un petit ensemble de données en créant des échantillons d'entraînement plus diversifiés
Cette technique est particulièrement intéressante pour les ensembles de données plus petits comme COCO128, car elle aide les modèles à apprendre des caractéristiques plus robustes à partir de données limitées.
Comment COCO128 se compare-t-il aux autres variantes de l'ensemble de données COCO ?
COCO128 (128 images) se situe entre COCO8 (8 images) et l'ensemble de données COCO complet (plus de 118 000 images) en termes de taille :
- COCO8 : Contient seulement 8 images (4 train, 4 val) - idéal pour les tests rapides et le débogage
- COCO128 : Contient 128 images - équilibré entre la taille et la diversité
- COCO complet : Contient plus de 118 000 images d'entraînement - complet mais gourmand en ressources
COCO128 offre un bon compromis, offrant plus de diversité que COCO8 tout en restant beaucoup plus gérable que l'ensemble de données COCO complet pour l'expérimentation et le développement initial du modèle.
Puis-je utiliser COCO128 pour des tâches autres que la détection d'objets ?
Bien que COCO128 soit principalement conçu pour la détection d'objets, les annotations de l'ensemble de données peuvent être adaptées à d'autres tâches de vision par ordinateur :
- Segmentation d’instance : Utilisation des masques de segmentation fournis dans les annotations
- Détection de points clés : Pour les images contenant des personnes avec des annotations de points clés
- Apprentissage par transfert : Point de départ pour l'ajustement précis des modèles pour des tâches personnalisées
Pour les tâches spécialisées comme la segmentation, envisagez d'utiliser des variantes spécialement conçues comme COCO8-seg qui incluent les annotations appropriées.