Jeu de données COCO-Pose#

58,931

COCO 2017 Pose

ultralytics

publicPose

COCO 2017 Pose is the canonical human-keypoint benchmark, labeling person instances with 17 body landmarks in everyday scenes. It covers varied poses, scales, crowding, truncation, and occlusion for standardized articulated-human pose estimation.

1 class5.6 GBSep 2, 2026

person

pose-estimationcocococo2017+2

Le jeu de données COCO-Pose adapte COCO (Objets courants dans leur contexte) pour l'estimation de la pose : 58 945 images issues de COCO Keypoints 2017, annotées avec 156 165 personnes selon un schéma de 17 points clés. Il s'agit du jeu de référence pour entraîner et évaluer les modèles de points clés tels que Ultralytics YOLO26, et le sous-ensemble COCO8-Pose de 8 images reprend son format pour effectuer rapidement des vérifications de cohérence.

Modèles préentraînés COCO-Pose#

Fonctionnalités clés#

• COCO-Pose s'appuie sur le défi COCO Keypoints 2017, qui annote 1 710 498 points clés individuels sur 156 165 personnes annotées.
• Chaque annotation de personne utilise 17 types de points clés — nez, yeux, oreilles, épaules, coudes, poignets, hanches, genoux et chevilles — stockés sous forme de triplets (x, y, visibility).
• Comme COCO, il fournit des métriques d'évaluation standardisées, notamment Object Keypoint Similarity (OKS) pour les tâches d'estimation de la pose, ce qui le rend adapté à la comparaison des performances des modèles.
• Taille du téléchargement : ~20.2 Go lors de la première utilisation (train2017.zip + val2017.zip + labels). Le fichier test2017.zip de 7 Go n'est pas téléchargé automatiquement, car ces images n'ont pas de vérité terrain publique et ne sont nécessaires que pour une soumission test-dev2017.

Structure du jeu de données#

Pour l'entraînement et la validation, COCO-Pose inclut uniquement les images COCO 2017 contenant des personnes annotées avec des points clés ; ses sous-ensembles annotés sont donc plus petits que ceux de COCO complet. Son fichier YAML définit trois sous-ensembles :

1. Train2017 : ce sous-ensemble contient 56 599 images du jeu de données COCO, annotées pour entraîner des modèles d'estimation de la pose.
2. Val2017 : ce sous-ensemble contient 2 346 images utilisées à des fins de validation pendant l'entraînement du modèle.
3. Test-dev2017 : un sous-ensemble de 20 288 images issu de l'ensemble test2017 complet de 40 670 images, dont la vérité terrain n'est pas publiée. Le fichier YAML du jeu de données relie cette partition au serveur d'évaluation des points clés COCO test-dev.

L'entraînement à cette échelle est précisément le domaine où Ultralytics Platform est le plus utile : il gère les ressources de calcul afin que tu puisses lancer et surveiller tes exécutions sans avoir à provisionner tes propres GPU.

Applications#

Le jeu de données COCO-Pose est spécialement utilisé pour entraîner et évaluer des modèles d'apprentissage profond dédiés à la détection de points clés et à l'estimation de la pose. Le grand nombre d'images annotées du jeu de données et ses métriques d'évaluation standardisées en font une ressource essentielle pour les chercheurs et les professionnels de la vision par ordinateur travaillant sur la pose humaine.

YAML du jeu de données#

Un fichier YAML sert à définir la configuration du jeu de données. Il contient des informations sur les chemins, les classes et d'autres éléments pertinents du jeu de données. Pour COCO-Pose, le fichier coco-pose.yaml est maintenu à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml.

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

# COCO 2017 Keypoints dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/pose/coco
# Example usage: yolo train data=coco-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco-pose ← downloads here (20.2 GB)

# 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: coco-pose # dataset root dir
train: train2017.txt # train images (relative to 'path') 56599 images
val: val2017.txt # val images (relative to 'path') 2346 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://codalab.lisn.upsaclay.fr/competitions/7403

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  dir = Path(yaml["path"])  # dataset root dir

  urls = [f"{ASSETS_URL}/coco2017labels-pose.zip"]
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the CodaLab test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Utilisation#

Pour entraîner un modèle YOLO26n-pose sur le jeu de données COCO-Pose pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des arguments disponibles, reporte-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)

Exemples d’images et d’annotations#

Le jeu de données COCO-Pose contient un ensemble varié d'images représentant des personnes annotées avec des points clés. Voici quelques exemples d'images du jeu de données, accompagnés de leurs annotations correspondantes :

• 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 COCO-Pose, 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-Pose dans tes travaux de recherche ou de développement, cite 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 souhaitons remercier le Consortium COCO pour avoir créé et maintenu cette ressource précieuse pour la communauté de la vision par ordinateur. Pour en savoir plus sur le jeu de données COCO-Pose et ses créateurs, consulte le site web du jeu de données COCO.

FAQ#