Ensemble de données COCO8
Introduction
Le dataset Ultralytics COCO8 est un dataset de object detection compact mais puissant, composé des 8 premières images de l'ensemble COCO train 2017, soit 4 pour l'entraînement et 4 pour la validation. Ce dataset 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 contrôle de cohérence efficace avant de passer à des datasets plus volumineux.
Regarder : Présentation de l'ensemble de données Ultralytics COCO
COCO8 est entièrement compatible avec Ultralytics Platform et YOLO26, permettant une intégration transparente dans vos flux de travail 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 aux données, les noms de classes et d'autres métadonnées essentielles. Vous pouvez consulter le fichier officiel coco8.yaml fichier dans le dépôt GitHub Ultralytics.
ultralytics/cfg/datasets/coco8.yaml
# 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 epochs avec une taille d'image de 640, utilisez les exemples suivants. Pour une liste complète des options d'entraînement, consultez la documentation sur l'entraînement YOLO.
Exemple d'entraînement
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)
# Train YOLO26n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640
Images et annotations d'exemple
Voici un exemple de lot d'entraînement en mosaïque provenant de l'ensemble de données COCO8:
- Image en mosaïque : Cette image illustre un lot d'entraînement où plusieurs images de l'ensemble de données sont combinées à l'aide de l'augmentation en mosaïque. L'augmentation en mosaïque accroît la diversité des objets et des scènes au sein de chaque lot, ce qui aide le modèle à mieux généraliser à diverses tailles d'objets, rapports d'aspect et arrière-plans.
Cette technique est particulièrement utile pour les petits ensembles de données comme COCO8, car elle maximise la valeur de chaque image pendant l'entraînement.
Citations et remerciements
Si vous utilisez l'ensemble de données COCO dans votre recherche ou 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}
}
Un merci spécial au COCO Consortium pour ses contributions continues à la communauté de la vision par ordinateur.
FAQ
À quoi sert l'ensemble de données Ultralytics COCO8 ?
L'ensemble de données Ultralytics COCO8 est conçu pour tester et déboguer rapidement les modèles de détection d'objets. Avec seulement 8 images (4 pour l'entraînement, 4 pour la validation), il est idéal pour vérifier vos pipelines d'entraînement YOLO et s'assurer que tout fonctionne comme prévu avant de passer à des ensembles de données plus volumineux. Explorez la configuration COCO8 YAML pour plus de détails.
Comment entraîner un modèle YOLO26 en utilisant le jeu de données COCO8 ?
Vous pouvez entraîner un modèle YOLO26 sur COCO8 en utilisant Python ou la CLI :
Exemple d'entraînement
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)
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640
Pour des options d'entraînement supplémentaires, consultez la documentation sur l'entraînement YOLO.
Pourquoi devrais-je utiliser Ultralytics Platform pour gérer mon entraînement COCO8 ?
La plateforme Ultralytics simplifie la gestion des jeux de données, l'entraînement et le déploiement des modèles YOLO, y compris COCO8. Grâce à des fonctionnalités telles que l'entraînement dans le cloud, la surveillance en temps réel et une gestion intuitive des jeux de données, HUB vous permet de lancer des expériences en un seul clic et élimine les tracas de la configuration manuelle. Apprenez-en davantage sur la plateforme Ultralytics et comment elle peut accélérer vos projets de vision par ordinateur.
Quels sont les avantages de l'utilisation de l'augmentation mosaïque dans l'entraînement avec le jeu de données COCO8 ?
L'augmentation mosaïque, telle qu'utilisée dans l'entraînement COCO8, combine plusieurs images en une seule lors de chaque lot. Cela augmente la diversité des objets et des arrière-plans, aidant votre YOLO modèle à mieux 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 d'entraînement. Pour en savoir plus, consultez le guide d'entraînement.
Comment puis-je valider mon modèle YOLO26 entraîné sur le jeu de données COCO8 ?
Pour valider votre modèle YOLO26 après l'entraînement sur COCO8, utilisez les commandes de validation du modèle en Python ou en CLI. Cela évalue les performances de votre modèle à l'aide de métriques standard. Pour des instructions étape par étape, consultez la documentation sur la validation YOLO.
