Ensemble de données COCO8-Pose

Introduction

Ultralytics COCO8-Pose est un ensemble de données de détection de pose, petit mais polyvalent, composé des 8 premières images de l'ensemble COCO train 2017, 4 pour l'entraînement et 4 pour la validation. Ce jeu 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, tout en étant suffisamment diversifié pour tester les pipelines d'entraînement et agir comme un contrôle d'assainissement avant d'entraîner des ensembles de données plus importants.

Ce jeu de données est destiné à être utilisé avec Ultralytics HUB et YOLO11.

Jeu de données YAML

Un fichier YAML (Yet Another Markup Language) est utilisé pour définir la configuration du jeu de données. Il contient des informations sur les chemins d'accès au 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 conservé à l'adresse suivante https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 l'ensemble de données COCO8-Pose pour 100 époques avec une taille d'image de 640, vous pouvez utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, reportez-vous à la page Entraînement du modèle.

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

Exemples d'images et d'annotations

Voici quelques exemples d'images tirées de l'ensemble de données COCO8-Pose, ainsi que les annotations correspondantes :

• Image mosaïque: Cette image montre un lot d'entraînement composé d'images de données mosaïquées. La mosaïque est une technique utilisée pendant l'apprentissage qui combine plusieurs images en une seule afin d'augmenter la variété des objets et des scènes dans chaque lot d'apprentissage. Cela permet d'améliorer la capacité du modèle à s'adapter à différentes tailles d'objets, à différents rapports d'aspect et à différents contextes.

Cet exemple illustre la variété et la complexité des images de l'ensemble de données COCO8-Pose et les avantages de l'utilisation du mosaïquage au cours du processus d'apprentissage.

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 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 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 polyvalent de détection de pose 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 expérimenter de nouvelles approches de détection. Ce jeu de données est idéal pour des expériences rapides avec des modèles de détection d'objets. Ultralytics YOLO11. Pour plus de détails sur la configuration du jeu de données, consultez le fichier YAML du jeu de données ici.

Comment entraîner un modèle YOLO11 en utilisant le jeu de données COCO8-Pose dans Ultralytics?

Pour entraîner un modèle YOLO11n-pose sur l'ensemble de données COCO8-Pose pour 100 époques avec une taille d'image de 640, suivez ces exemples :

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 de formation, consultez la page du modèle de formation.

Quels sont les avantages de l'utilisation de l'ensemble de données COCO8-Pose ?

L'ensemble de données COCO8-Pose présente plusieurs avantages :

• Taille compacte: Avec seulement 8 images, il est facile à gérer et parfait pour des expériences rapides.
• Des données variées: Malgré sa petite taille, il comprend une grande variété de scènes, ce qui est utile pour tester les pipelines de manière approfondie.
• Débogage des erreurs: Idéal pour identifier les erreurs de formation et effectuer des vérifications avant de passer à des ensembles de données plus importants.

Pour en savoir plus sur ses caractéristiques et son utilisation, voir la section Introduction aux jeux de données.

Comment le mosaïquage profite-t-il au processus de formation YOLO11 en utilisant l'ensemble de données COCO8-Pose ?

La mosaïque, démontrée dans les exemples d'images de l'ensemble de données COCO8-Pose, combine plusieurs images en une seule, augmentant ainsi la variété d'objets et de scènes dans chaque lot d'entraînement. Cette technique permet d'améliorer la capacité du modèle à se généraliser en fonction de la taille des objets, des rapports d'aspect et des contextes, ce qui améliore en fin de compte les performances du modèle. Voir la section Exemples d'images et d'annotations pour des exemples d'images.

Où puis-je trouver le fichier YAML du jeu de données COCO8-Pose et comment puis-je l'utiliser ?

Le fichier YAML du jeu de données COCO8-Pose est disponible ici. Ce fichier définit la configuration du jeu de données, y compris les chemins, les classes et d'autres informations pertinentes. Utilisez ce fichier avec les scripts d'entraînement YOLO11 comme indiqué dans la section Train Example.

Pour plus de FAQ et une documentation détaillée, visitez le site Ultralytics Documentation.

📅C réé il y a 1 an ✏️ Mis à jour il y a 1 mois

Commentaires