Jeu de données COCO8-Pose#

Introduction#

Ultralytics COCO8-Pose est un petit jeu de données d'estimation de pose polyvalent composé des 8 premières images du jeu de données COCO train 2017 (4 pour l'entraînement, 4 pour la validation), utilisant un schéma de 17 points clés pour la classe unique "person". Ce jeu de données est idéal pour tester et déboguer les modèles de pose estimation, 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 les pipelines d'entraînement à la recherche d'erreurs et servir de vérification de bon sens avant de t'entraîner sur le jeu de données complet COCO-Pose.

Structure 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 des répertoires recommandée : datasets/coco8-pose/images/{train,val} et datasets/coco8-pose/labels/{train,val} avec des points clés au format YOLO stockés sous forme de fichiers .txt.

Explore COCO8-Pose on Ultralytics Platform pour parcourir chaque image avec ses squelettes de points clés, afficher les distributions de points clés et de classes dans l'onglet Charts, et le cloner pour entraîner ton propre modèle dans le cloud.

YAML du jeu de données#

Un fichier YAML est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins 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 🚀 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

Utilisation#

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, réfère-toi à la page Training 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="coco8-pose.yaml", epochs=100, imgsz=640)

Exemples d'images et annotations#

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

• 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.

Citations et remerciements#

Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, merci de 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 Consortium COCO 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.

FAQ#