Meet YOLO26: next-gen vision AI.

Link to this sectionJeu de données COCO8-Pose#

Link to this sectionIntroduction#

Ultralytics COCO8-Pose est un petit jeu de données de détection de pose polyvalent composé des 8 premières images du set COCO train 2017, dont 4 pour l'entraînement et 4 pour la validation. Ce jeu de données est idéal pour tester et déboguer des modèles de object detection, ou pour expérimenter de nouvelles approches de détection. 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 base avant l'entraînement sur des jeux de données plus volumineux.

Link to this sectionStructure du jeu de données#

  • Nombre total d'images : 8 (4 train / 4 val).
  • Classes : 1 (personne) avec 17 points clés par annotation.
  • 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.

Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.

Link to this sectionYAML du jeu de données#

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins, les classes et d'autres renseignements pertinents concernant le jeu de données. Dans le cas du jeu de données COCO8-Pose, le fichier coco8-pose.yaml 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

# 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.

L'exemple illustre la variété et la complexité des images du jeu de données COCO8-Pose ainsi que les avantages de l'utilisation du mosaïquage pendant le processus d'entraînement.

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 jeu de données de détection de pose polyvalent qui inclut les 8 premières images du set COCO train 2017, avec 4 images pour l'entraînement et 4 pour la validation. Il est conçu pour tester et déboguer des modèles de détection d'objets et expérimenter de nouvelles approches. Ce jeu de données est idéal pour des expériences rapides avec Ultralytics YOLO26. Pour plus de détails sur la configuration du jeu de données, jette un œil au fichier YAML du jeu de données.

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

Pour entraîner un modèle YOLO26n-pose sur le jeu de données COCO8-Pose pendant 100 epochs avec une taille d'image de 640, suis ces exemples :

Exemple d'entraînement
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Pour une liste complète des arguments d'entraînement, reporte-toi à la page Formation du modèle.

Link to this sectionQuels 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 diversifiées : Malgré sa petite taille, il inclut une variété de scènes, utile pour des tests de pipeline approfondis.
  • Débogage d'erreurs : Idéal pour identifier les erreurs d'entraînement et effectuer des vérifications de santé avant de passer à l'échelle sur des jeux de données plus grands.

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 ?#

Le mosaïquage, illustré dans les exemples d'images du jeu de données COCO8-Pose, combine plusieurs images en une seule, augmentant la variété des objets et des scènes au sein de chaque batch d'entraînement. Cette technique aide à améliorer la capacité du modèle à généraliser à travers diverses tailles d'objets, ratios d'aspect et contextes, améliorant ainsi, au final, les performances du modèle. Voir la section Sample Images and Annotations pour des exemples d'images.

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 plus de FAQ et une documentation détaillée, consulte la documentation Ultralytics.

Contributeurs
GLglenn-jocher15JKjk4e2RAraimbekovm1MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

Commentaires