Dataset COCO8

Introduzione

Il dataset Ultralytics COCO8 è un dataset compatto ma potente per l'object detection, composto dalle prime 8 immagini del set COCO train 2017: 4 per l'addestramento e 4 per la validazione. Questo dataset è progettato specificamente per test rapidi, debug e sperimentazione con modelli YOLO e pipeline di addestramento. Le sue dimensioni ridotte lo rendono estremamente gestibile, mentre la sua diversità garantisce un efficace controllo di integrità prima di passare a dataset più ampi.

COCO8 è pienamente compatibile con Ultralytics Platform e YOLO26, consentendo un'integrazione perfetta nei tuoi flussi di lavoro di computer vision.

YAML del dataset

La configurazione del dataset COCO8 è definita in un file YAML (Yet Another Markup Language), che specifica i percorsi del dataset, i nomi delle classi e altri metadati essenziali. Puoi consultare il file coco8.yaml ufficiale nel repository GitHub di Ultralytics.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 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: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8.zip

Utilizzo

Per addestrare un modello YOLO26n sul dataset COCO8 per 100 epochs con una dimensione dell'immagine di 640, usa gli esempi seguenti. Per un elenco completo delle opzioni di addestramento, consulta la documentazione sull'addestramento YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Immagini campione e annotazioni

Di seguito un esempio di un batch di addestramento mosaico dal dataset COCO8:

• Immagine a mosaico: Questa immagine illustra un batch di addestramento in cui diverse immagini del dataset vengono combinate utilizzando l'aumento di tipo mosaic. L'aumento mosaic incrementa la diversità di oggetti e scenari all'interno di ogni batch, aiutando il modello a generalizzare meglio verso diverse dimensioni, proporzioni e sfondi degli oggetti.

Questa tecnica è particolarmente utile per dataset di piccole dimensioni come COCO8, poiché massimizza il valore di ogni immagine durante l'addestramento.

Citazioni e ringraziamenti

Se utilizzi il dataset COCO nella tua ricerca o sviluppo, ti preghiamo di citare 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}
}

Un ringraziamento speciale al COCO Consortium per il loro continuo contributo alla comunità di computer vision.

FAQ

A cosa serve il dataset Ultralytics COCO8?

Il dataset Ultralytics COCO8 è progettato per test rapidi e il debug di modelli di object detection. Con sole 8 immagini (4 per l'addestramento, 4 per la validazione), è ideale per verificare le tue pipeline di addestramento YOLO e assicurarti che tutto funzioni come previsto prima di passare a dataset più grandi. Esplora la configurazione YAML di COCO8 per maggiori dettagli.

Come posso addestrare un modello YOLO26 utilizzando il dataset COCO8?

Puoi addestrare un modello YOLO26 su COCO8 usando Python o la CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Per ulteriori opzioni di addestramento, fai riferimento alla documentazione sull'addestramento YOLO.

Perché dovrei usare Ultralytics Platform per gestire il mio addestramento su COCO8?

Ultralytics Platform ottimizza la gestione del dataset, l'addestramento e il deployment per modelli YOLO, incluso COCO8. Con funzionalità come l'addestramento in cloud, il monitoraggio in tempo reale e una gestione intuitiva dei dataset, HUB ti consente di avviare esperimenti con un solo clic ed elimina le complicazioni legate alla configurazione manuale. Scopri di più su Ultralytics Platform e su come può accelerare i tuoi progetti di computer vision.

Quali sono i vantaggi dell'utilizzo dell'aumento mosaic nell'addestramento con il dataset COCO8?

L'aumento mosaic, come utilizzato nell'addestramento su COCO8, combina più immagini in una sola durante ogni batch. Ciò aumenta la diversità di oggetti e sfondi, aiutando il tuo modello YOLO a generalizzare meglio verso nuovi scenari. L'aumento mosaic è particolarmente prezioso per dataset piccoli, poiché massimizza le informazioni disponibili in ogni fase di addestramento. Per saperne di più, consulta la guida all'addestramento.

Come posso validare il mio modello YOLO26 addestrato sul dataset COCO8?

Per validare il tuo modello YOLO26 dopo l'addestramento su COCO8, usa i comandi di validazione del modello in Python o CLI. Questo valuta le prestazioni del tuo modello utilizzando metriche standard. Per istruzioni passo dopo passo, visita la documentazione sulla validazione YOLO.