Vai al contenuto

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 di esempio del set di dati

  • 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.



📅 Creato 5 mesi fa ✏️ Aggiornato 5 mesi fa

Commenti