Jeu de données COCO128#
Introduction#
Ultralytics COCO128 est un jeu de données de petite taille, mais polyvalent, pour la 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 expérimenter de nouvelles approches de détection. Avec ses 128 images, il est assez petit pour être facile à gérer, tout en étant suffisamment diversifié pour tester les pipelines d’entraînement, détecter les erreurs et servir de vérification rapide avant d’entraîner des jeux de données plus volumineux.
Regarder : Présentation du jeu de données COCO d’Ultralytics
Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.
Structure du jeu de données#
COCO128 contient les 128 premières images de l’ensemble COCO train 2017, annotées avec les 80 noms de classes COCO (dont 71 apparaissent dans ces images) au format d’annotation YOLO. Les mêmes 128 images servent à la fois d’ensemble d’entraînement et de validation, ce qui permet de garder le jeu de données léger pour effectuer rapidement des vérifications :
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/Fichier YAML du jeu de données#
Un fichier YAML sert à définir la configuration du jeu de données. Il contient des informations sur les chemins d’accès, les classes et d’autres éléments pertinents. Pour le jeu de données COCO128, le fichier coco128.yaml est géré à l’adresse https://github.com/ultralytics/ultralytics/blob/main/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/coco128
# 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.zipUtilisation#
Le jeu de données COCO128 (7 MB) se télécharge automatiquement au premier démarrage de l’entraînement. Pour entraîner un modèle YOLO26n sur COCO128 pendant 100 époques avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour obtenir la liste complète des arguments disponibles, consulte la page Entraînement du modèle.
from ultralytics import YOLO
# Charger un modèle
model = YOLO("yolo26n.pt") # charger un modèle préentraîné (recommandé pour l’entraînement)
# Entraîner le modèle
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Exemples d’images et annotations#
Voici quelques exemples d’images du jeu de données COCO128, accompagnées de leurs annotations correspondantes :
- Image en mosaïque : cette image montre un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque est une technique utilisée pendant l’entraînement qui combine plusieurs images en une seule afin d’augmenter la variété des objets et des scènes dans chaque lot d’entraînement. Elle aide le modèle à mieux généraliser à différentes tailles d’objets, proportions et contextes.
Cet exemple illustre la variété et la complexité des images du jeu de données COCO128, ainsi que les avantages de la mosaïque pendant l’entraînement.
Citations et remerciements#
Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, cite 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 consortium COCO d’avoir créé et maintenu cette ressource précieuse pour la communauté de la vision par ordinateur. Pour en savoir plus sur le jeu de données COCO et ses créateurs, consulte le site Web du jeu de données COCO.
FAQ#
Le jeu de données Ultralytics COCO128 est un sous-ensemble compact contenant les 128 premières images du jeu de données COCO train 2017. Il sert principalement à tester et déboguer des modèles de détection d’objets, à expérimenter de nouvelles approches de détection et à valider des pipelines d’entraînement avant de passer à des jeux de données plus volumineux. Sa taille facile à gérer est idéale pour des itérations rapides, tout en offrant suffisamment de diversité pour constituer un cas de test pertinent.
Pour entraîner un modèle YOLO26 sur le jeu de données COCO128, tu peux utiliser Python ou des commandes CLI. Voici comment procéder :
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle préentraîné model = YOLO("yolo26n.pt") # Entraîner le modèle results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Pour découvrir d’autres options et paramètres d’entraînement, consulte la documentation sur l’entraînement.
Comme le montrent les images d’exemple, l’augmentation par mosaïque 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 dans chaque lot d’entraînement
- Améliore la capacité de généralisation du modèle à différentes tailles d’objets et à différents rapports largeur/hauteur
- Améliore les performances de détection des objets à différentes échelles
- Optimise l’utilité d’un petit jeu de données en créant des échantillons d’entraînement plus diversifiés
Cette technique est particulièrement utile pour les petits jeux de données comme COCO128, car elle aide les modèles à apprendre des caractéristiques plus robustes à partir de données limitées.
En termes de taille, COCO128 (128 images) se situe entre COCO8 (8 images) et le jeu de données COCO complet (plus de 118K images) :
- COCO8 : contient seulement 8 images (4 pour l’entraînement, 4 pour la validation) ; idéal pour les tests rapides et le débogage
- COCO128 : contient 128 images ; un bon équilibre entre taille et diversité
- COCO complet : contient plus de 118K images d’entraînement ; complet, mais gourmand en ressources
COCO128 offre un bon compromis : il propose plus de diversité que COCO8, tout en restant beaucoup plus facile à gérer que le jeu de données COCO complet pour l’expérimentation et le développement initial de modèles.
Bien que COCO128 soit principalement conçu pour la détection d’objets, les annotations du jeu de données peuvent être adaptées à d’autres tâches de vision par ordinateur :
- Segmentation d’instances : utiliser les 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 : comme point de départ pour affiner des modèles destinés à des tâches personnalisées
Pour des tâches spécialisées comme la segmentation, envisage d’utiliser des variantes conçues à cet effet, comme COCO8-seg, qui incluent les annotations appropriées.