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#

Ultralytics COCO8-Pose est un petit jeu de données polyvalent pour l’estimation de pose, composé des 8 premières images de l’ensemble d’entraînement COCO 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 des 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 les pipelines d’entraînement afin d’y détecter d’éventuelles erreurs et servir de contrôle de cohérence avant un entraînement sur l’ensemble du jeu de données COCO-Pose.

Structure du jeu de données#

• Nombre total d’images : 8 (4 entraînement / 4 validation).
• Classes : 1 (person), avec 17 types de points clés par annotation.
• Taille du téléchargement : ~1 Mo.
• Structure 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 Charts, et le cloner afin d’entraîner ton propre modèle dans le cloud.

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 informations pertinentes du jeu de données. Pour le jeu de données COCO8-Pose, le fichier coco8-pose.yaml est conservé 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 obtenir la liste complète des arguments disponibles, consulte la page Entraînement 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 d’annotations#

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

• Image en mosaïque : cette image présente 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. Cela contribue à améliorer la capacité du modèle à se 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, 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 remercions le COCO Consortium d’avoir créé et de maintenir cette ressource précieuse pour la communauté de la vision par ordinateur. Pour plus d’informations sur le jeu de données COCO et ses créateurs, consulte le site web du jeu de données COCO.

FAQ#