Vai al contenuto

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 l'addestramento e 4 per la validazione. Questo set di dati è ideale per il test e il debug dei modelli di rilevamento degli oggetti o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente diversificato per testare le pipeline di addestramento alla ricerca di 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 YOLO11.

Set di dati YAML

Un file YAML (Yet Another Markup Language) è usato 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 YOLO11n sul dataset COCO8 per 100 epoche con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

Esempio di treno

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Immagini di esempio e annotazioni

Ecco alcuni esempi di immagini tratte dal dataset COCO8, con le relative annotazioni:

Immagine campione del set di dati

  • Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicate. La mosaicatura 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 ciascun batch di addestramento. Ciò contribuisce 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'uso della mosaicatura durante il processo di addestramento.

Citazioni e ringraziamenti

Se utilizzate il set di dati COCO nel vostro lavoro di ricerca o sviluppo, siete pregati di citare 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 ulteriori informazioni sul dataset COCO e sui suoi creatori, visitare il sito web del dataset COCO.

FAQ

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 l'addestramento 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 diversità sufficiente per fungere da controllo della correttezza delle pipeline di addestramento prima di distribuire set di dati più grandi. Per maggiori dettagli, consultare il dataset COCO8.

Come si addestra un modello YOLO11 utilizzando il dataset COCO8?

Per addestrare un modello YOLO11 utilizzando il dataset COCO8, si possono utilizzare i comandi Python o CLI . Ecco come iniziare:

Esempio di treno

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Per un elenco completo degli argomenti disponibili, consultare 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 YOLO11 sul dataset COCO8. Offre formazione in cloud, tracciamento in tempo reale e gestione del dataset senza soluzione di continuità. HUB consente di avviare l'addestramento con un solo clic ed evita le complessità delle impostazioni manuali. Scoprite di più su Ultralytics HUB e i suoi vantaggi.

Quali sono i vantaggi dell'utilizzo dell'aumento del mosaico nell'addestramento con il dataset 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 gruppo 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, consultare la guida all'addestramento.

Come posso validare il mio modello YOLO11 addestrato sul dataset COCO8?

La convalida del modello YOLO11 addestrato sul dataset COCO8 può essere eseguita utilizzando i comandi di convalida del modello. È possibile richiamare la modalità di convalida tramite gli script CLI o Python per valutare le prestazioni del modello utilizzando metriche precise. Per istruzioni dettagliate, visitare la pagina Validazione.

📅C reato 1 anno fa ✏️ Aggiornato 2 mesi fa

Commenti