Dataset COCO8#

8

coco8

ultralytics

publicDetect

Sample dataset with 8 images from COCO (Common Objects in Context) for testing YOLO object detection models. Ideal for validating training pipelines and quick experiments.

380 classes837.5 KBFeb 9, 2026

personbicyclecarmotorcycle+76

Introduzione#

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

Struttura del dataset#

COCO8 comprende le prime 8 immagini del set COCO train 2017 (4 per l'addestramento e 4 per la validazione), coprendo l'intero set di 80 classi di oggetti COCO nel formato di etichetta YOLO:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Esplora COCO8 sulla piattaforma Ultralytics per visualizzare ogni immagine con le relative sovrapposizioni di annotazione, guarda la distribuzione delle classi e le mappe di calore dei riquadri di delimitazione nella scheda Charts e clonala per addestrare il tuo modello nel cloud.

Dataset YAML#

La configurazione del dataset COCO8 è definita in un file YAML, che specifica i percorsi del dataset, i nomi delle classi e altri metadati essenziali. Puoi esaminare il file ufficiale coco8.yaml 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#

Il dataset COCO8 (1 MB) viene scaricato automaticamente la prima volta che avvii l'addestramento. Per addestrare un modello YOLO26n su COCO8 per 100 epocha con una dimensione dell'immagine di 640, usa gli esempi seguenti. Per un elenco completo delle opzioni di addestramento, consulta la documentazione sull'addestramento di 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)

Esempi di immagini e annotazioni#

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

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

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

Citazioni e riconoscimenti#

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#