Dataset COCO128#
Introduzione#
Ultralytics COCO128 è un dataset piccolo ma versatile per il rilevamento degli oggetti, composto dalle prime 128 immagini del set COCO train 2017. Questo dataset è ideale per testare e sottoporre a debug i modelli di rilevamento degli oggetti o per sperimentare nuovi approcci al rilevamento. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza vario da consentire di verificare la presenza di errori nelle pipeline di addestramento e fungere da controllo preliminare prima di addestrare dataset più grandi.
Watch: Ultralytics COCO Dataset Overview
Questo dataset è destinato all'uso con Ultralytics Platform e YOLO26.
Struttura del dataset#
COCO128 contiene le prime 128 immagini del set COCO train 2017 e comprende tutte le 80 classi di oggetti COCO nel formato delle etichette YOLO. Le stesse 128 immagini vengono utilizzate sia per il training sia per la validazione, mantenendo il dataset leggero per rapidi controlli preliminari:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/YAML del dataset#
Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e su altri dati rilevanti. Nel caso del dataset COCO128, il file coco128.yaml è mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/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/coco128
# 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.zipUtilizzo#
Il dataset COCO128 (7 MB) viene scaricato automaticamente la prima volta che avvii il training. Per addestrare un modello YOLO26n su COCO128 per 100 epoche con una dimensione delle immagini pari a 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Training del modello.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Immagini ed esempi di annotazioni#
Ecco alcuni esempi di immagini del dataset COCO128, insieme alle relative annotazioni:
- Immagine a mosaico: questa immagine mostra un batch di addestramento composto da immagini del dataset unite a mosaico. La composizione a mosaico 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. Questo 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 training.
Citazioni e ringraziamenti#
Se utilizzi il dataset COCO nelle tue attività 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 ulteriori informazioni sul dataset COCO e sui suoi creatori, visita il sito web del dataset COCO.
FAQ#
Il dataset COCO128 di Ultralytics è un sottoinsieme compatto che contiene le prime 128 immagini del dataset COCO train 2017. Viene utilizzato principalmente per testare e sottoporre a debug i modelli di rilevamento degli oggetti, sperimentare nuovi approcci al rilevamento e convalidare le pipeline di training prima di passare a dataset più grandi. Le sue dimensioni gestibili lo rendono perfetto per iterazioni rapide, offrendo comunque una varietà sufficiente per costituire un caso di test significativo.
Per addestrare un modello YOLO26 sul dataset COCO128, puoi utilizzare Python o i comandi CLI. Ecco come:
Esempio di addestramentofrom ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Per ulteriori opzioni e parametri di training, consulta la documentazione Training.
L'augmentation mosaico, come mostrato nelle immagini di esempio, combina più immagini di training in un'unica immagine composita. Questa tecnica offre diversi vantaggi durante il training con COCO128:
- Aumenta la varietà degli oggetti e dei contesti all'interno di ogni batch di training
- Migliora la generalizzazione del modello tra oggetti di dimensioni e rapporti d'aspetto diversi
- Migliora le prestazioni di rilevamento degli oggetti a diverse scale
- Massimizza l'utilità di un dataset piccolo creando campioni di training più diversificati
Questa tecnica è particolarmente preziosa per dataset più piccoli come COCO128, poiché aiuta i modelli ad apprendere feature più robuste da dati limitati.
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 per il training e 4 per la validazione), ideale per test rapidi e debugging
- COCO128: contiene 128 immagini, con un equilibrio tra dimensioni e varietà
- COCO completo: contiene oltre 118.000 immagini di training, completo ma impegnativo in termini di risorse
COCO128 offre un buon compromesso, con una varietà maggiore rispetto a COCO8, pur rimanendo molto più gestibile del dataset COCO completo per la sperimentazione e lo sviluppo iniziale dei modelli.
Sebbene COCO128 sia progettato principalmente per il rilevamento degli oggetti, le annotazioni del dataset possono essere adattate ad altre attività di computer vision:
- Segmentazione delle istanze: utilizzando le maschere di segmentazione fornite nelle annotazioni
- Rilevamento dei keypoint: per immagini contenenti persone con annotazioni dei keypoint
- Transfer learning: come punto di partenza per il fine-tuning dei modelli per attività personalizzate
Per attività specializzate come la segmentazione, valuta l'utilizzo di varianti progettate appositamente, come COCO8-seg, che includono le annotazioni appropriate.