Jeu de données COCO8#

8

coco8

ultralytics

publicDetect

Sample dataset with 8 images from COCO (Common Objects in Context) for testing YOLO object detection models. Ideal for validating training pipelines and quick experiments.

380 classes837.5 KBFeb 9, 2026

personbicyclecarmotorcycle+76

Introduction#

Le jeu de données Ultralytics COCO8 est un jeu de données de détection d'objets compact mais puissant, composé des 8 premières images du jeu d'entraînement COCO train 2017—4 pour l'entraînement et 4 pour la validation. Ce jeu de données est spécialement conçu pour les tests rapides, le débogage et l'expérimentation avec les modèles YOLO et les pipelines d'entraînement. Sa petite taille le rend très facile à gérer, tandis que sa diversité garantit qu'il sert de vérification de bon sens efficace avant de passer à des jeux de données plus volumineux.

Structure du jeu de données#

COCO8 comprend les 8 premières images du jeu d'entraînement COCO train 2017—4 pour l'entraînement et 4 pour la validation—couvrant l'ensemble des 80 classes d'objets COCO au format d'étiquette YOLO :

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Explore COCO8 sur Ultralytics Platform pour parcourir chaque image avec ses superpositions d'annotations, afficher la distribution des classes et les cartes de chaleur des boîtes englobantes dans l'onglet Charts, et la cloner pour entraîner ton propre modèle dans le cloud.

YAML du jeu de données#

La configuration du jeu de données COCO8 est définie dans un fichier YAML, qui spécifie les chemins des jeux de données, les noms des classes et d'autres métadonnées essentielles. Tu peux consulter le fichier officiel coco8.yaml dans le dépôt GitHub d'Ultralytics.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 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: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8.zip

Utilisation#

Le jeu de données COCO8 (1 Mo) se télécharge automatiquement la première fois que tu commences l'entraînement. Pour entraîner un modèle YOLO26n sur COCO8 pendant 100 époques avec une taille d'image de 640, utilise les exemples suivants. Pour une liste complète des options d'entraînement, consulte la documentation sur l'entraînement YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Exemples d'images et annotations#

Voici un exemple d'un lot d'entraînement en mosaïque provenant du jeu de données COCO8 :

• Image en mosaïque : Cette image illustre un lot d'entraînement où plusieurs images du jeu de données sont combinées à l'aide de l'augmentation mosaïque. L'augmentation mosaïque augmente la diversité des objets et des scènes au sein de chaque lot, aidant le modèle à mieux généraliser à diverses tailles d'objets, ratios d'aspect et arrière-plans.

Cette technique est particulièrement utile pour les petits jeux de données comme COCO8, car elle maximise la valeur de chaque image pendant l'entraînement.

Citations et remerciements#

Si tu utilises le jeu de données COCO dans tes recherches ou ton développement, merci de citer le document 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}
}

Un grand merci au COCO Consortium pour leurs contributions continues à la communauté de la vision par ordinateur.

FAQ#