Ultralytics YOLO27 :
CC BY 4.0

Jeu de données COCO128#

Introduction#

Ultralytics COCO128 est un jeu de données compact, mais polyvalent, 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 ses 128 images, il est suffisamment petit pour être facilement gérable, tout en étant assez diversifié pour tester les pipelines d’entraînement, détecter d’éventuelles erreurs et servir de contrôle de cohérence avant l’entraînement sur des jeux de données plus volumineux.



Watch: Ultralytics COCO Dataset Overview

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 et couvre les 80 classes d’objets COCO au format d’annotation YOLO. Ces 128 mêmes images servent à la fois d’ensemble d’entraînement et de validation, ce qui permet de conserver un jeu léger pour effectuer rapidement des contrôles de cohérence :

coco128/
├── images/
│   └── train2017/   # 128 images (used for both train and val)
└── labels/
    └── train2017/

YAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins d’accès, les classes et d’autres éléments pertinents du jeu de données. Dans le cas du 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/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

Utilisation#

Le jeu de données COCO128 (7 Mo) est téléchargé automatiquement la première fois que tu démarres un 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 d’entraînement du modèle.

Exemple d’entraînement
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)

Exemples d’images et d’annotations#

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

COCO128 object detection dataset mosaic training batch
  • Image en mosaïque : cette image présente 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. Cela contribue à améliorer la capacité du modèle à se généraliser à différentes tailles d’objets, proportions et contextes.

L’exemple illustre la variété et la complexité des images du jeu de données COCO128, ainsi que les avantages de l’utilisation de la mosaïque pendant le processus d’entraînement.

Citations et remerciements#

Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, merci de citer l’article suivant :

Citation
@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 remercions le COCO Consortium d’avoir créé et de maintenir cette ressource précieuse pour la communauté de la vision par ordinateur. Pour plus d’informations sur le jeu de données COCO et ses créateurs, consulte le site web du jeu de données COCO.

FAQ#

  • Le jeu de données COCO128 d’Ultralytics 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 les pipelines d’entraînement avant de passer à des jeux de données plus volumineux. Sa taille gérable le rend idéal pour effectuer rapidement des itérations, 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’entraînement
    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 découvrir d’autres options et paramètres d’entraînement, consulte la documentation Training.

  • L’augmentation par mosaïque, comme le montrent les images d’exemple, 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 pour différentes tailles d’objets et différents rapports d’aspect
    • Améliore les performances de détection des objets à différentes échelles
    • Optimise l’utilisation d’un petit jeu de données en créant des exemples d’entraînement plus diversifiés

    Cette technique est particulièrement utile pour les jeux de données de petite taille 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 équilibre entre taille et diversité
    • COCO complet : contient plus de 118K images d’entraînement — complet, mais exigeant en ressources

    COCO128 offre un bon compromis, avec davantage 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.

  • 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 : 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 l’ajustement fin de modèles destinés à des tâches personnalisées

    Pour les tâches spécialisées comme la segmentation, envisage d’utiliser des variantes conçues à cet effet, comme COCO8-seg, qui incluent les annotations appropriées.

Contributeurs
GLglenn-jocher10RAraimbekovm3PDpderrenger1LAlakshanthad1

Commentaires