Dataset COCO128#
Introduzione#
Ultralytics COCO128 è un dataset di object detection piccolo ma versatile, composto dalle prime 128 immagini del set di training COCO 2017. Questo dataset è ideale per testare e fare il debug di modelli di object detection, o per sperimentare nuovi approcci di rilevamento. Con 128 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente vario per testare la presenza di errori nelle pipeline di training e fungere da controllo di sanità prima di addestrare dataset più ampi.
Watch: Ultralytics COCO Dataset Overview
Questo dataset è concepito per l'uso con Ultralytics Platform e YOLO26.
Struttura del dataset#
COCO128 contiene le prime 128 immagini del set di training COCO 2017, coprendo tutte le 80 classi di oggetti COCO nel YOLO label format. Le stesse 128 immagini fungono sia da split di training che di validazione, mantenendolo leggero per rapidi controlli di sanità:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/Dataset YAML#
Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del dataset COCO128, il file coco128.yaml viene 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/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 epochs con una dimensione dell'immagine di 640, puoi usare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla 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)Esempi di immagini e annotazioni#
Ecco alcuni esempi di immagini dal dataset COCO128, insieme alle relative annotazioni:
- Immagine 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 riconoscimenti#
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 di computer vision. Per ulteriori informazioni sul dataset COCO e sui suoi creatori, visita il COCO dataset website.
FAQ#
Il dataset Ultralytics COCO128 è un sottoinsieme compatto contenente le prime 128 immagini del dataset di training COCO 2017. Viene utilizzato principalmente per testare e fare il debug di modelli di object detection, sperimentare nuovi approcci di rilevamento e validare le pipeline di training 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.
Per addestrare un modello YOLO26 sul dataset COCO128, puoi utilizzare comandi Python o CLI. Ecco come fare:
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, fai riferimento alla documentazione sul Training.
L'aumento mosaic, come mostrato nelle immagini di esempio, combina più immagini di addestramento in una singola immagine composta. 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 e proporzioni degli oggetti
- 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 preziosa per dataset più piccoli come COCO128, aiutando i modelli ad apprendere caratteristiche 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 train, 4 val) - ideale per test rapidi e debug
- COCO128: Contiene 128 immagini - bilanciato tra dimensioni e diversità
- COCO completo: Contiene oltre 118K immagini di addestramento - completo ma dispendioso in termini di risorse
COCO128 offre 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.
Sebbene COCO128 sia progettato principalmente per il rilevamento oggetti, le annotazioni del dataset possono essere adattate per altre attività di visione artificiale:
- Segmentazione di istanze: Utilizzando le maschere di segmentazione fornite nelle annotazioni
- Rilevamento di punti chiave (Keypoint): Per immagini contenenti persone con annotazioni di punti chiave
- Transfer learning: Come punto di partenza per il fine-tuning di modelli per attività personalizzate
Per attività specializzate come la segmentation, considera l'uso di varianti create appositamente come COCO8-seg che includono le annotazioni appropriate.