Set di dati COCO8
Introduzione
Ultralytics COCO8 è un piccolo ma versatile set di dati per il rilevamento di oggetti composto dalle prime 8 immagini del set COCO train 2017, 4 per la formazione e 4 per la validazione. Questo set di dati è l'ideale per testare e debuggare i modelli di rilevamento degli oggetti o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente vario da poter testare le pipeline di addestramento per individuare eventuali errori e fungere da verifica della correttezza prima di addestrare set di dati più grandi.
Guarda: Ultralytics Panoramica del set di dati COCO
Questo set di dati è destinato all'utilizzo di Ultralytics HUB e di YOLOv8.
Set di dati YAML
Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del set di dati COCO8, il file coco8.yaml
Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.
ultralytics/cfg/datasets/coco8.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 YOLOv8n sul dataset COCO8 per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di addestramento del modello.
Esempio di treno
Immagini di esempio e annotazioni
Ecco alcuni esempi di immagini tratte dal set di dati COCO8, con le relative annotazioni:
- Immagine a mosaico: Questa immagine mostra un lotto di formazione composto da immagini del dataset mosaicate. 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 gruppo di addestramento. Questo aiuta a migliorare la capacità del modello di generalizzarsi a oggetti di dimensioni, rapporti di aspetto e contesti diversi.
L'esempio mostra la varietà e la complessità delle immagini del dataset COCO8 e i vantaggi dell'utilizzo della mosaicatura durante il processo di formazione.
Citazioni e ringraziamenti
Se utilizzi il set di dati COCO nel tuo lavoro di ricerca o sviluppo, cita il seguente documento:
@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 Consorzio COCO per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per maggiori informazioni sul dataset COCO e sui suoi creatori, visita il sito web del dataset COCO.
DOMANDE FREQUENTI
Per cosa viene utilizzato il dataset Ultralytics COCO8?
Il dataset Ultralytics COCO8 è un dataset compatto ma versatile per il rilevamento di oggetti, costituito dalle prime 8 immagini del set COCO train 2017, con 4 immagini per la formazione e 4 per la validazione. È stato progettato per il test e il debug dei modelli di rilevamento degli oggetti e per la sperimentazione di nuovi approcci di rilevamento. Nonostante le sue dimensioni ridotte, COCO8 offre una varietà sufficiente per fungere da verifica della correttezza delle tue pipeline di addestramento prima di distribuire set di dati più grandi. Per maggiori dettagli, visualizza il dataset COCO8.
Come si addestra un modello YOLOv8 utilizzando il dataset COCO8?
Per addestrare un modello YOLOv8 utilizzando il dataset COCO8, puoi utilizzare i comandi Python o CLI . Ecco come iniziare:
Esempio di treno
Per un elenco completo degli argomenti disponibili, consulta la pagina Formazione del modello.
Perché dovrei utilizzare Ultralytics HUB per gestire la mia formazione COCO8?
Ultralytics HUB è uno strumento web all-in-one progettato per semplificare l'addestramento e la distribuzione dei modelli YOLO , compresi i modelli Ultralytics YOLOv8 sul dataset COCO8. Offre formazione in cloud, tracciamento in tempo reale e gestione del set di dati senza soluzione di continuità. HUB ti permette di iniziare l'addestramento con un solo clic ed evita le complessità delle configurazioni manuali. Scopri di più su Ultralytics HUB e i suoi vantaggi.
Quali sono i vantaggi dell'utilizzo dell'aumento del mosaico nella formazione con il set di dati COCO8?
L'aumento del mosaico, dimostrato nel set di dati COCO8, combina più immagini in un'unica immagine durante l'addestramento. Questa tecnica aumenta la varietà di oggetti e scene in ogni lotto di addestramento, migliorando la capacità del modello di generalizzare tra oggetti di dimensioni, rapporti di aspetto e contesti diversi. Il risultato è un modello di rilevamento degli oggetti più robusto. Per maggiori dettagli, consulta la guida all'addestramento.
Come posso convalidare il mio modello YOLOv8 addestrato sul dataset COCO8?
La convalida del modello YOLOv8 addestrato sul set di dati COCO8 può essere eseguita utilizzando i comandi di convalida del modello. Puoi richiamare la modalità di convalida tramite gli script CLI o Python per valutare le prestazioni del modello utilizzando metriche precise. Per istruzioni dettagliate, visita la pagina Validazione.