Jeu de données COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

COCO8-Pose is Ultralytics' minimal human-pose smoke-test set: four training and four validation images sampled from COCO. Each person uses the standard 17-keypoint body layout, allowing rapid validation of pose data loading, augmentation, training, and export workflows.

31 class618.2 KBSep 2, 2026

person

Introduction#

Le jeu de données COCO8-Pose d’Ultralytics est un petit jeu de données polyvalent d’estimation de pose, composé des 8 premières images de l’ensemble COCO train 2017 (4 pour l’entraînement, 4 pour la validation), selon un schéma de 17 points clés pour la classe unique « personne ». Ce jeu de données est idéal pour tester et déboguer des modèles d’estimation de pose, ou pour expérimenter de nouvelles approches de détection de points clés. Avec ses 8 images, il est suffisamment petit pour être facilement gérable, tout en étant assez varié pour tester les erreurs des pipelines d’entraînement et servir de vérification préliminaire avant l’entraînement 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 MB.
• Arborescence de répertoires recommandée : datasets/coco8-pose/images/{train,val} et datasets/coco8-pose/labels/{train,val}, avec les points clés au format YOLO enregistrés dans des fichiers .txt.

Explore COCO8-Pose sur la plateforme Ultralytics pour parcourir chaque image avec son squelette de points clés, consulter les distributions des points clés et des classes dans l’onglet Graphiques, et cloner le jeu de données afin d’entraîner ton propre modèle dans le cloud.

Fichier YAML du jeu de données#

Un fichier YAML sert à définir la configuration du jeu de données. Il contient des informations sur les chemins, les classes et d’autres éléments pertinents. Pour le 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 🚀 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 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des paramètres disponibles, reporte-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n-pose.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)

# Entraîner le modèle
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Exemples d’images et annotations#

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

• Image en mosaïque : cette image montre un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque est une technique utilisée pendant l’entraînement qui combine plusieurs images en une seule afin d’augmenter la variété des objets et des scènes dans chaque lot d’entraînement. Elle aide le modèle à mieux généraliser à différentes tailles d’objets, proportions et contextes.

Citations et remerciements#

Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, cite 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 d’avoir créé et maintenu cette ressource précieuse pour la communauté de la vision par ordinateur. Pour en savoir plus sur le jeu de données COCO et ses créateurs, consulte le site Web du jeu de données COCO.

FAQ#