Dataset COCO128

Introduzione

Ultralytics COCO128 è un dataset di object detection piccolo ma versatile, composto dalle prime 128 immagini del set COCO train 2017. Questo dataset è ideale per testare e sottoporre a debug modelli di object detection, o per sperimentare con nuovi approcci di rilevamento. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza vario da testare le pipeline di addestramento in cerca di errori e fungere da controllo di integrità prima di addestrare dataset più grandi.

Questo dataset è inteso per l'uso con Ultralytics Platform e YOLO26.

YAML del dataset

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Nel caso del dataset COCO128, il file coco128.yaml è mantenuto su 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/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 YOLO26n sul dataset COCO128 per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di 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 campione e annotazioni

Ecco alcuni esempi di immagini dal dataset COCO128, insieme alle relative annotazioni:

• Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset a mosaico. Il 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. Ciò aiuta a migliorare la capacità del modello di generalizzare a diverse dimensioni, proporzioni e contesti degli oggetti.

L'esempio mostra la varietà e la complessità delle immagini nel dataset COCO128 e i vantaggi dell'utilizzo del mosaico 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}
}

Vorremmo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità di computer vision. Per maggiori informazioni sul dataset COCO e i suoi creatori, visita il sito web del dataset COCO.

FAQ

A cosa serve il dataset Ultralytics COCO128?

Il dataset Ultralytics COCO128 è un subset compatto che contiene le prime 128 immagini del dataset COCO train 2017. Viene utilizzato principalmente per testare e sottoporre a debug modelli di object detection, sperimentare con nuovi approcci di rilevamento e validare le pipeline di addestramento prima di passare a dataset più grandi. Le sue dimensioni gestibili lo rendono perfetto per iterazioni rapide, pur offrendo abbastanza diversità da rappresentare un caso di test significativo.

Come posso addestrare un modello YOLO26 utilizzando il dataset COCO128?

Per addestrare un modello YOLO26 sul dataset COCO128, puoi utilizzare comandi Python o CLI. Ecco come fare:

from 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 addestramento, fai riferimento alla documentazione di Training.

Quali sono i vantaggi dell'utilizzo dell'augmentation a mosaico con COCO128?

L'augmentation a mosaico, come mostrato nelle immagini campione, 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 attraverso diverse dimensioni e rapporti d'aspetto degli oggetti
• Migliora le prestazioni di rilevamento per oggetti a varie scale
• Massimizza l'utilità di un dataset piccolo creando campioni di addestramento più diversificati

Questa tecnica è particolarmente preziosa per dataset 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 (118K+ immagini) in termini di dimensioni:

• COCO8: Contiene solo 8 immagini (4 train, 4 val) - ideale per test rapidi e debug
• COCO128: Contiene 128 immagini - bilanciato tra dimensioni e diversità
• Full COCO: Contiene 118K+ immagini di addestramento - completo ma intensivo in termini di risorse

COCO128 fornisce un buon compromesso, offrendo maggiore diversità rispetto a COCO8 pur rimanendo molto più gestibile del dataset COCO completo per la sperimentazione e lo sviluppo iniziale del modello.

Posso usare COCO128 per attività diverse dall'object detection?

Sebbene COCO128 sia progettato principalmente per l'object detection, le annotazioni del dataset possono essere adattate per altre attività di computer vision:

• Instance segmentation: Utilizzando le maschere di segmentazione fornite nelle annotazioni
• Keypoint detection: Per immagini contenenti persone con annotazioni di keypoint
• Transfer learning: Come punto di partenza per il fine-tuning di modelli per attività personalizzate

Per attività specializzate come la segmentation, prendi in considerazione l'utilizzo di varianti appositamente create come COCO8-seg che includono le annotazioni appropriate.