Link to this sectionJeu de données COCO128#

Link to this sectionIntroduction#

Ultralytics COCO128 est un jeu de données de détection d'objets petit mais polyvalent, 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, tout en étant assez diversifié pour tester les pipelines d'entraînement afin de détecter les erreurs et servir de vérification avant d'entraîner sur des jeux de données plus volumineux.

Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.

Link to this sectionYAML du jeu de données#

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins, les classes et d'autres détails pertinents du jeu de données. Dans le cas du jeu de données COCO128, le fichier coco128.yaml est maintenu sur 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.zip

Link to this sectionUtilisation#

Pour entraîner un modèle YOLO26n sur le jeu de données COCO128 pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Link to this sectionExemples d'images et annotations#

Voici quelques exemples d'images issues du jeu de données COCO128, accompagnées de leurs annotations correspondantes :

• Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule pour augmenter la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide à améliorer la capacité du modèle à généraliser à différentes tailles d'objets, ratios d'aspect et contextes.

L'exemple met en avant la variété et la complexité des images du jeu de données COCO128 ainsi que les avantages de l'utilisation du mosaïquage pendant le processus d'entraînement.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, merci de 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 le jeu de données COCO et ses créateurs, visite le site web du jeu de données COCO.

Link to this sectionFAQ#

Link to this sectionÀ quoi sert le jeu de données Ultralytics COCO128 ?#

Le jeu de données Ultralytics COCO128 est un sous-ensemble compact contenant les 128 premières images du jeu de données COCO train 2017. Il est principalement utilisé pour tester et déboguer des modèles de détection d'objets, expérimenter de nouvelles approches de détection et valider des pipelines d'entraînement avant de passer à des jeux de données plus volumineux. Sa taille gérable le rend parfait pour des itérations rapides tout en offrant assez de diversité pour constituer un cas de test significatif.

Link to this sectionComment puis-je entraîner un modèle YOLO26 en utilisant le jeu de données COCO128 ?#

Pour entraîner un modèle YOLO26 sur le jeu de données COCO128, tu peux utiliser Python ou des commandes CLI. Voici comment faire :

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo26n.pt")

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Pour plus d'options et de paramètres d'entraînement, consulte la documentation Entraînement.

Link to this sectionQuels sont les avantages de l'utilisation de l'augmentation mosaïque avec COCO128 ?#

L'augmentation mosaïque, comme illustré dans les exemples d'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 des objets à différentes échelles
• Maximise l'utilité d'un petit jeu de données en créant des échantillons d'entraînement plus diversifiés

Cette technique est particulièrement précieuse pour les petits jeux de données comme COCO128, aidant les modèles à apprendre des caractéristiques plus robustes à partir de données limitées.

Link to this sectionComment COCO128 se compare-t-il aux autres variantes du jeu de données COCO ?#

COCO128 (128 images) se situe entre COCO8 (8 images) et le jeu de données complet COCO (118K+ images) en termes de taille :

• COCO8 : Contient seulement 8 images (4 d'entraînement, 4 de validation) - idéal pour des tests rapides et le débogage
• COCO128 : Contient 128 images - équilibre entre taille et diversité
• COCO complet : Contient plus de 118 000 images d'entraînement - complet mais gourmand en ressources

COCO128 offre un bon compromis, proposant plus de diversité que COCO8 tout en restant beaucoup plus gérable que le jeu de données COCO complet pour l'expérimentation et le développement initial de modèles.

Link to this sectionPuis-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 du jeu de données peuvent être adaptées pour d'autres tâches de vision par ordinateur :

• Segmentation d'instances : En utilisant 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 pour 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.