Dataset COCO8
Introduzione
Il dataset Ultralytics COCO8 è un dataset di object detection compatto ma potente, costituito dalle prime 8 immagini del set COCO train 2017: 4 per l'addestramento e 4 per la convalida. Questo dataset è specificamente progettato per test rapidi, debug e sperimentazione con modelli YOLO e pipeline di addestramento. Le sue dimensioni ridotte lo rendono altamente gestibile, mentre la sua diversità garantisce che serva come efficace controllo di integrità prima di passare a dataset più grandi.
Guarda: Panoramica del dataset COCO di Ultralytics
COCO8 è pienamente compatibile con Ultralytics Platform e YOLO26, consentendo un'integrazione senza soluzione di continuità nei tuoi workflow di visione artificiale.
YAML del set di dati
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 rivedere l'ufficiale coco8.yaml file nel repository GitHub di Ultralytics.
ultralytics/cfg/datasets/coco8.yaml
# 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 epoche con una dimensione dell'immagine di 640, utilizzare gli esempi seguenti. Per un elenco completo delle opzioni di addestramento, consultare la documentazione sull'addestramento YOLO.
Esempio di addestramento
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)
# Train YOLO26n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640
Immagini di esempio e annotazioni
Di seguito è riportato un esempio di batch di addestramento mosaicato dal dataset COCO8:
- Immagine a mosaico: Questa immagine illustra un batch di training in cui più immagini del dataset vengono combinate utilizzando l'aumento a mosaico. L'aumento a mosaico incrementa la diversità di oggetti e scene all'interno di ogni batch, aiutando il modello a generalizzare meglio a varie dimensioni degli oggetti, proporzioni e sfondi.
Questa tecnica è particolarmente utile per piccoli set di dati come COCO8, in quanto massimizza il valore di ogni immagine durante il training.
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}
}
Un ringraziamento speciale al COCO Consortium per il loro continuo contributo alla comunità della computer vision.
FAQ
A cosa serve il dataset COCO8 di Ultralytics?
Il dataset Ultralytics COCO8 è progettato per test rapidi e debug di modelli di object detection. Con sole 8 immagini (4 per l'addestramento, 4 per la convalida), 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 COCO8 YAML per maggiori dettagli.
Come si addestra un modello YOLO26 utilizzando il dataset COCO8?
È possibile addestrare un modello YOLO26 su COCO8 utilizzando Python o la CLI:
Esempio di addestramento
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)
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640
Per ulteriori opzioni di addestramento, consultare la documentazione sull'addestramento YOLO.
Perché dovrei utilizzare Ultralytics Platform per gestire il mio addestramento COCO8?
Ultralytics Platform ottimizza la gestione dei dataset, l'addestramento e il deployment per i modelli YOLO, incluso COCO8. Con funzionalità come l'addestramento nel cloud, il monitoraggio in tempo reale e la gestione intuitiva dei dataset, HUB consente di avviare esperimenti con un solo clic ed elimina le complessità della configurazione manuale. Scopri di più su Ultralytics Platform e come può accelerare i tuoi progetti di visione artificiale.
Quali sono i vantaggi dell'utilizzo dell'aumento tramite mosaico nell'addestramento con il dataset COCO8?
L'augmentation a mosaico, come utilizzato nel training di COCO8, combina più immagini in una durante ogni batch. Ciò aumenta la diversità di oggetti e sfondi, aiutando il tuo modello YOLO a generalizzare meglio a nuovi scenari. L'augmentation a mosaico è particolarmente utile per piccoli dataset, poiché massimizza le informazioni disponibili in ogni fase di training. Per maggiori informazioni, consulta la guida al training.
Come posso validare il mio modello YOLO26 addestrato sul dataset COCO8?
Per validare il tuo modello YOLO26 dopo l'addestramento su COCO8, utilizza i comandi di validazione del modello in Python o nella CLI. Questo valuta le prestazioni del tuo modello utilizzando metriche standard. Per istruzioni passo-passo, visita la documentazione sulla validazione YOLO.
