Jeu de données COCO8

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 COCO train 2017 — 4 pour l'entraînement et 4 pour la validation. Ce jeu de données est spécifiquement conçu pour tester, déboguer et expérimenter rapidement 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 serve de vérification efficace avant de passer à des jeux de données plus importants.

COCO8 est entièrement compatible avec Ultralytics Platform et YOLO26, permettant une intégration transparente dans tes workflows de vision par ordinateur.

YAML du jeu de données

La configuration du jeu de données COCO8 est définie dans un fichier YAML (Yet Another Markup Language), qui spécifie les chemins d'accès au jeu de données, les noms de 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

Pour entraîner un modèle YOLO26n sur le jeu de données 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 d'annotations

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

• Image mosaïquée : Cette image illustre un lot d'entraînement où plusieurs images du jeu de données sont combinées en utilisant 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 selon 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 papier 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 ses contributions continues à la communauté de la vision par ordinateur.

FAQ

À quoi sert le jeu de données Ultralytics COCO8 ?

Le jeu de données Ultralytics COCO8 est conçu pour le test et le débogage rapides des modèles de détection d'objets. Avec seulement 8 images (4 pour l'entraînement, 4 pour la validation), il est idéal pour vérifier tes pipelines d'entraînement YOLO et t'assurer que tout fonctionne comme prévu avant de passer à des jeux de données plus larges. Explore la configuration YAML COCO8 pour plus de détails.

Comment entraîner un modèle YOLO26 en utilisant le jeu de données COCO8 ?

Tu peux entraîner un modèle YOLO26 sur COCO8 en utilisant soit Python, soit la CLI :

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)

Pour des options d'entraînement supplémentaires, réfère-toi à la documentation sur l'entraînement YOLO.

Pourquoi devrais-je utiliser Ultralytics Platform pour gérer mon entraînement sur COCO8 ?

Ultralytics Platform simplifie la gestion, l'entraînement et le déploiement des jeux de données pour les modèles YOLO, y compris COCO8. Avec des fonctionnalités comme l'entraînement dans le cloud, la surveillance en temps réel et une gestion intuitive des jeux de données, HUB te permet de lancer des expériences en un seul clic et élimine les tracas de configuration manuelle. Apprends-en plus sur Ultralytics Platform et comment elle peut accélérer tes projets de vision par ordinateur.

Quels sont les avantages d'utiliser l'augmentation mosaïque lors de l'entraînement avec le jeu de données COCO8 ?

L'augmentation mosaïque, telle qu'utilisée dans l'entraînement sur COCO8, combine plusieurs images en une seule à chaque lot. Cela augmente la diversité des objets et des arrière-plans, aidant ton modèle YOLO à mieux se généraliser à de nouveaux scénarios. L'augmentation mosaïque est particulièrement précieuse pour les petits jeux de données, car elle maximise les informations disponibles à chaque étape de l'entraînement. Pour en savoir plus, consulte le guide d'entraînement.

Comment puis-je valider mon modèle YOLO26 entraîné sur le jeu de données COCO8 ?

Pour valider ton modèle YOLO26 après l'entraînement sur COCO8, utilise les commandes de validation du modèle, soit en Python, soit via la CLI. Cela évalue les performances de ton modèle en utilisant des métriques standards. Pour des instructions étape par étape, visite la documentation sur la validation YOLO.