Ensemble de données COCO8-Pose
Introduction
Ultralytics COCO8-Pose est un petit mais polyvalent ensemble de données de détection de pose composé des 8 premières images de l'ensemble COCO train 2017, 4 pour l'entraînement et 4 pour la validation. Cet ensemble de données est idéal pour tester et déboguer les modèles de détection d'objets, ou pour expérimenter de nouvelles approches de détection. Avec 8 images, il est suffisamment petit pour être facilement gérable, mais suffisamment diversifié pour tester les pipelines d'entraînement à la recherche d'erreurs et servir de contrôle de cohérence avant d'entraîner des ensembles de données plus volumineux.
Ce jeu de données est destiné à être utilisé avec HUB Ultralytics et YOLO11.
YAML du jeu de données
Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration de l'ensemble de données. Il contient des informations sur les chemins d'accès, les classes et d'autres informations pertinentes de l'ensemble de données. Dans le cas de l'ensemble de données COCO8-Pose, le coco8-pose.yaml fichier est maintenu à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.
ultralytics/cfg/datasets/coco8-pose.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-pose ← 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-pose # 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)
# 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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip
Utilisation
Pour entraîner un modèle YOLO11n-pose sur le jeu de données COCO8-Pose pendant 100 epochs avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consultez la page Formation du modèle.
Exemple d'entraînement
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
Images et annotations d'exemple
Voici quelques exemples d'images du jeu de données COCO8-Pose, ainsi que leurs annotations correspondantes :
- Image mosaïque : Cette image montre un lot d'entraînement composé d'images d'ensemble de données en mosaïque. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule image pour augmenter la variété des objets et des scènes dans chaque lot d'entraînement. Cela permet d'améliorer la capacité du modèle à se généraliser à différentes tailles d'objets, rapports hauteur/largeur et contextes.
Cet exemple illustre la variété et la complexité des images dans l'ensemble de données COCO8-Pose, ainsi que les avantages de l'utilisation du mosaïquage pendant le processus d'entraînement.
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 COCO Consortium 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
Qu'est-ce que l'ensemble de données COCO8-Pose et comment est-il utilisé avec Ultralytics YOLO11 ?
Le jeu de données COCO8-Pose est un petit jeu de données de détection de pose polyvalent qui comprend les 8 premières images de l'ensemble COCO train 2017, avec 4 images pour l'entraînement et 4 pour la validation. Il est conçu pour tester et déboguer les modèles de détection d'objets et pour expérimenter de nouvelles approches de détection. Ce jeu de données est idéal pour des expériences rapides avec Ultralytics YOLO11. Pour plus de détails sur la configuration du jeu de données, consultez le fichier YAML du jeu de données.
Comment entraîner un modèle YOLO11 en utilisant le jeu de données COCO8-Pose dans Ultralytics ?
Pour entraîner un modèle YOLO11n-pose sur le jeu de données COCO8-Pose pendant 100 epochs avec une taille d'image de 640, suivez ces exemples :
Exemple d'entraînement
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt")
# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
Pour une liste complète des arguments d'entraînement, consultez la page Entraînement du modèle.
Quels sont les avantages de l'utilisation du jeu de données COCO8-Pose ?
Le jeu de données COCO8-Pose offre plusieurs avantages :
- Taille compacte : Avec seulement 8 images, il est facile à gérer et parfait pour des expériences rapides.
- Données diverses : Malgré sa petite taille, il comprend une variété de scènes, utiles pour des tests approfondis du pipeline.
- Débogage des Erreurs : Idéal pour identifier les erreurs d'entraînement et effectuer des contrôles de cohérence avant de passer à des ensembles de données plus volumineux.
Pour en savoir plus sur ses fonctionnalités et son utilisation, consultez la section Présentation du jeu de données.
Comment le mosaïquage profite-t-il au processus d'entraînement de YOLO11 en utilisant l'ensemble de données COCO8-Pose ?
La mosaïque, démontrée dans les sample_images de l'ensemble de données COCO8-Pose, combine plusieurs images en une seule, augmentant la variété des objets et des scènes dans chaque lot d'entraînement. Cette technique permet d'améliorer la capacité du modèle à se généraliser à différentes tailles d'objets, rapports d'aspect et contextes, ce qui améliore les performances du modèle. Consultez la section Sample Images and Annotations pour des sample_images.
Où puis-je trouver le fichier YAML de l'ensemble de données COCO8-Pose et comment l'utiliser ?
Le fichier YAML du jeu de données COCO8-Pose se trouve à l'adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Ce fichier définit la configuration du jeu de données, y compris les chemins d'accès, les classes et d'autres informations pertinentes. Utilisez ce fichier avec les scripts d'entraînement YOLO11 comme mentionné dans la section Exemple d'entraînement.
Pour plus de FAQ et une documentation détaillée, consultez la documentation Ultralytics.
