Ensemble de données COCO128
Introduction
Ultralytics COCO128 est un ensemble 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 les 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 suffisamment diversifié pour tester les pipelines d'entraînement et agir comme un contrôle de santé avant d'entraîner des ensembles de données plus importants.
Regarder : Ultralytics Aperçu de l'ensemble de données COCO
Ce jeu de données est destiné à être utilisé avec Ultralytics HUB et YOLO11.
Jeu de données YAML
Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès au jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données COCO128, le fichier coco128.yaml est conservé à l'adresse suivante https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.
ultralytics.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: ../datasets/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 l'ensemble de données COCO128 pour 100 époques avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, reportez-vous à la page Entraînement du modèle.
Exemple de train
Exemples d'images et d'annotations
Voici quelques exemples d'images tirées de l'ensemble de données COCO128, ainsi que les annotations correspondantes :
- Image mosaïque: Cette image montre un lot d'entraînement composé d'images de données mosaïquées. La mosaïque est une technique utilisée pendant l'apprentissage qui combine plusieurs images en une seule afin d'augmenter la variété des objets et des scènes dans chaque lot d'apprentissage. Cela permet d'améliorer la capacité du modèle à s'adapter à différentes tailles d'objets, à différents rapports d'aspect et à différents contextes.
Cet exemple illustre la variété et la complexité des images de l'ensemble de données COCO128 et les avantages de l'utilisation du mosaïquage au cours du processus de formation.
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 Consortium COCO 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 l'ensemble 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 importants. Sa taille gérable le rend parfait pour des itérations rapides tout en offrant suffisamment de diversité pour constituer un cas de test significatif.
Comment 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 procéder :
Exemple de train
Pour plus d'options et de paramètres de formation, voir la documentation sur la formation.
Quels sont les avantages de l'augmentation en mosaïque avec COCO128 ?
L'augmentation mosaïque, comme le montrent 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 dans chaque lot de formation
- Améliore la généralisation du modèle pour différentes tailles d'objets et différents rapports d'aspect
- Amélioration des performances de détection pour les objets à différentes échelles
- Maximise l'utilité d'un petit ensemble de données en créant des échantillons de formation plus diversifiés.
Cette technique est particulièrement utile pour les petits ensembles de données comme COCO128, car elle permet aux modèles d'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 des données COCO (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 - équilibre entre taille et diversité
- COCO complet: contient plus de 118 000 images de formation - complet mais gourmand en ressources
COCO128 constitue un bon compromis, offrant plus de diversité que COCO8 tout en restant beaucoup plus facile à gérer que l'ensemble des données COCO pour l'expérimentation et le développement initial de modèles.
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 des instances: Utilisation des masques de segmentation fournis dans les annotations
- Détection des points clés: Pour les images contenant des personnes avec des annotations de points clés
- Apprentissage par transfert: Comme point de départ pour affiner les modèles pour des tâches personnalisées
Pour les tâches spécialisées telles que la segmentation, envisagez d'utiliser des variantes spécialement conçues, comme COCO8-seg, qui incluent les annotations appropriées.
