Sécurité prête pour l'entreprise : Conforme ISO 27001 + SOC 2 Type I.
CC BY 4.0

Link to this sectionJeu de données COCO8-Pose#

Link to this sectionIntroduction#

Ultralytics COCO8-Pose est un petit ensemble de données polyvalent pour l'estimation de pose, composé des 8 premières images du jeu d'entraînement COCO 2017 (4 pour l'entraînement, 4 pour la validation), utilisant un schéma à 17 points clés pour la classe unique « personne ». Ce jeu de données est idéal pour tester et déboguer tes modèles d'estimation de pose, ou pour expérimenter de nouvelles approches de détection de points clés. Avec 8 images, il est suffisamment petit pour être facilement gérable, tout en étant assez diversifié pour tester tes pipelines d'entraînement à la recherche d'erreurs et servir de vérification rapide avant de lancer l'entraînement sur le jeu de données complet COCO-Pose.

Link to this sectionStructure du jeu de données#

  • Nombre total d'images : 8 (4 train / 4 val).
  • Classes : 1 (personne) avec 17 types de points clés par annotation.
  • Taille du téléchargement : ~1 Mo.
  • Disposition recommandée des répertoires : datasets/coco8-pose/images/{train,val} et datasets/coco8-pose/labels/{train,val} avec des points clés au format YOLO stockés dans des fichiers .txt.

Explore COCO8-Pose sur la plateforme Ultralytics pour parcourir chaque image avec ses squelettes de points clés, visualiser les distributions des points clés et des classes dans l'onglet Charts, et clone-le pour entraîner ton propre modèle dans le cloud.

Link to this sectionYAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès du jeu de données, les classes et d'autres informations pertinentes. Dans le cas du jeu de données COCO8-Pose, le fichier coco8-pose.yaml est maintenu sur 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

# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Link to this sectionUtilisation#

Pour entraîner un modèle YOLO26n-pose sur le jeu de données COCO8-Pose pendant 100 epochs avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, consulte la page Training du modèle.

Exemple d'entraînement
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="coco8-pose.yaml", epochs=100, imgsz=640)

Link to this sectionExemples d'images et annotations#

Voici quelques exemples d'images issues du jeu de données COCO8-Pose, accompagnées de leurs annotations correspondantes :

COCO8-pose keypoint estimation dataset mosaic
  • Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule pour augmenter la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide à améliorer la capacité du modèle à généraliser à différentes tailles d'objets, ratios d'aspect et contextes.

Link to this sectionCitations et remerciements#

Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, merci de citer l'article suivant :

Citation
@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 le jeu de données COCO et ses créateurs, visite le site web du jeu de données COCO.

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données COCO8-Pose et comment est-il utilisé avec Ultralytics YOLO26 ?#

Le jeu de données COCO8-Pose est un petit ensemble de données polyvalent pour l'estimation de pose qui inclut les 8 premières images du jeu d'entraînement COCO 2017, avec 4 images pour l'entraînement et 4 pour la validation. Il est conçu pour tester et déboguer des modèles d'estimation de pose et expérimenter de nouvelles approches de détection de points clés. Ce jeu de données est idéal pour des expériences rapides avec Ultralytics YOLO26. Pour plus de détails sur la configuration du jeu de données, consulte le fichier YAML du jeu de données.

Link to this sectionComment entraîner un modèle YOLO26 en utilisant le jeu de données COCO8-Pose dans Ultralytics ?#

Charge yolo26n-pose.pt et appelle model.train(data="coco8-pose.yaml", epochs=100, imgsz=640) — regarde l'Exemple d'entraînement ci-dessus pour les extraits complets en Python et CLI, et la page Entraînement du modèle pour une liste exhaustive des arguments.

Link to this sectionQuels sont les avantages de l'utilisation du jeu de données COCO8-Pose ?#

Avec 8 images au total (4 pour l'entraînement / 4 pour la validation), 1 classe, un schéma à 17 points clés et un téléchargement d'environ 1 Mo, COCO8-Pose est assez petit pour être géré en quelques secondes tout en étant assez diversifié pour vérifier ton pipeline d'entraînement de pose contre les erreurs avant de passer à l'échelle sur le jeu de données complet COCO-Pose. Pour en savoir plus sur ses fonctionnalités et son utilisation, consulte la section Introduction au jeu de données.

Link to this sectionComment le mosaïquage bénéficie-t-il au processus d'entraînement YOLO26 en utilisant le jeu de données COCO8-Pose ?#

La mosaïque combine plusieurs images en une seule, augmentant la variété des objets et des scènes au sein de chaque lot d'entraînement, ce qui aide le modèle à mieux généraliser selon les tailles d'objets, les rapports d'aspect et les contextes. Consulte la section Exemples d'images et annotations pour un exemple.

Link to this sectionOù puis-je trouver le fichier YAML du jeu de données COCO8-Pose et comment l'utiliser ?#

Le fichier YAML du jeu de données COCO8-Pose peut être trouvé 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, les classes et d'autres informations pertinentes. Utilise ce fichier avec les scripts d'entraînement YOLO26 comme mentionné dans la section Train Example.

Pour en savoir plus sur les modèles de points clés, consulte la documentation de la tâche Estimation de pose.

Contributeurs
GLglenn-jocher16RAraimbekovm3JKjk4e2MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

Commentaires