Dataset COCO128
Introduzione
Ultralytics COCO128 è un piccolo ma versatile dataset di object detection composto dalle prime 128 immagini del set di training COCO 2017. Questo dataset è ideale per testare ed eseguire il debug di modelli di object detection o per sperimentare nuovi approcci di detection. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente diversificato da testare le pipeline di training per individuare errori e fungere da controllo di integrità prima di addestrare dataset più grandi.
Guarda: Panoramica del dataset COCO di Ultralytics
Questo dataset è destinato all'uso con Ultralytics HUB e YOLO11.
YAML del set di dati
Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi, le classi e altre informazioni rilevanti del dataset. Nel caso del dataset COCO128, il coco128.yaml file è mantenuto in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.
ultralytics/cfg/datasets/coco128.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)
# Classes
names:
0: person
1: bicycle
2: car
3: motorcycle
4: airplane
5: bus
6: train
7: truck
8: boat
9: traffic light
10: fire hydrant
11: stop sign
12: parking meter
13: bench
14: bird
15: cat
16: dog
17: horse
18: sheep
19: cow
20: elephant
21: bear
22: zebra
23: giraffe
24: backpack
25: umbrella
26: handbag
27: tie
28: suitcase
29: frisbee
30: skis
31: snowboard
32: sports ball
33: kite
34: baseball bat
35: baseball glove
36: skateboard
37: surfboard
38: tennis racket
39: bottle
40: wine glass
41: cup
42: fork
43: knife
44: spoon
45: bowl
46: banana
47: apple
48: sandwich
49: orange
50: broccoli
51: carrot
52: hot dog
53: pizza
54: donut
55: cake
56: chair
57: couch
58: potted plant
59: bed
60: dining table
61: toilet
62: tv
63: laptop
64: mouse
65: remote
66: keyboard
67: cell phone
68: microwave
69: oven
70: toaster
71: sink
72: refrigerator
73: book
74: clock
75: vase
76: scissors
77: teddy bear
78: hair drier
79: toothbrush
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip
Utilizzo
Per addestrare un modello YOLO11n sul dataset COCO128 per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Training del modello.
Esempio di addestramento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Immagini di esempio e annotazioni
Ecco alcuni esempi di immagini provenienti dal dataset COCO128, insieme alle relative annotazioni:
- Immagine mosaicata: questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicato. Il mosaicing è una tecnica utilizzata durante l'addestramento che combina più immagini in un'unica immagine per aumentare la varietà di oggetti e scene all'interno di ogni batch di addestramento. Ciò contribuisce a migliorare la capacità del modello di generalizzare a diverse dimensioni degli oggetti, proporzioni e contesti.
L'esempio mostra la varietà e la complessità delle immagini nel dataset COCO128 e i vantaggi dell'utilizzo del mosaicing durante il processo di addestramento.
Citazioni e ringraziamenti
Se utilizzi il dataset COCO nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:
@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}
}
Desideriamo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per maggiori informazioni sul dataset COCO e sui suoi creatori, visitare il sito web del dataset COCO.
FAQ
A cosa serve il dataset Ultralytics COCO128?
Il dataset COCO128 di Ultralytics è un sottoinsieme compatto contenente le prime 128 immagini del dataset COCO train 2017. Viene utilizzato principalmente per testare ed eseguire il debug di modelli di object detection, sperimentare nuovi approcci di detection e convalidare le pipeline di training prima di passare a dataset più grandi. Le sue dimensioni contenute lo rendono perfetto per iterazioni rapide, pur fornendo una diversità sufficiente per essere un caso di test significativo.
Come posso addestrare un modello YOLO11 utilizzando il dataset COCO128?
Per addestrare un modello YOLO11 sul dataset COCO128, puoi utilizzare i comandi python o CLI. Ecco come:
Esempio di addestramento
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n.pt")
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Per ulteriori opzioni e parametri di training, consultare la documentazione sul Training.
Quali sono i vantaggi dell'utilizzo dell'aumento mosaico con COCO128?
L'aumento tramite mosaico, come mostrato nelle sample_images, combina più immagini di addestramento in un'unica immagine composita. Questa tecnica offre diversi vantaggi durante l'addestramento con COCO128:
- Aumenta la varietà di oggetti e contesti all'interno di ogni batch di addestramento
- Migliora la generalizzazione del modello su diverse dimensioni degli oggetti e proporzioni
- Migliora le prestazioni di rilevamento per oggetti a varie scale
- Massimizza l'utilità di un piccolo dataset creando campioni di addestramento più diversificati
Questa tecnica è particolarmente utile per set di dati più piccoli come COCO128, aiutando i modelli ad apprendere caratteristiche più robuste da dati limitati.
Come si confronta COCO128 con altre varianti del dataset COCO?
COCO128 (128 immagini) si colloca tra COCO8 (8 immagini) e il dataset COCO completo (oltre 118.000 immagini) in termini di dimensioni:
- COCO8: Contiene solo 8 immagini (4 di addestramento, 4 di convalida) - ideale per test rapidi e debug
- COCO128: Contiene 128 immagini - bilanciate tra dimensione e diversità
- COCO completo: Contiene oltre 118.000 immagini di training: completo ma ad alta intensità di risorse
COCO128 offre un buon compromesso, offrendo più diversità rispetto a COCO8 pur rimanendo molto più gestibile rispetto al dataset COCO completo per la sperimentazione e lo sviluppo iniziale del modello.
Posso usare COCO128 per attività diverse dal rilevamento di oggetti?
Sebbene COCO128 sia progettato principalmente per il rilevamento di oggetti, le annotazioni del dataset possono essere adattate per altre attività di computer vision:
- Segmentazione di istanza: Utilizzo delle maschere di segmentazione fornite nelle annotazioni
- Rilevamento dei keypoint: Per immagini contenenti persone con annotazioni dei keypoint
- Transfer learning: Come punto di partenza per la messa a punto di modelli per attività personalizzate
Per attività specializzate come la segmentazione, si consiglia di utilizzare varianti appositamente create come COCO8-seg che includono le annotazioni appropriate.
