Link to this sectionDataset COCO8-Pose#

Link to this sectionIntroduzione#

Ultralytics COCO8-Pose è un dataset di stima della posa piccolo ma versatile, composto dalle prime 8 immagini del set COCO train 2017 (4 per l'addestramento, 4 per la validazione), che utilizza uno schema a 17 keypoint per la singola classe "person". Questo dataset è ideale per testare e sottoporre a debug modelli di pose estimation, o per sperimentare nuovi approcci di rilevamento dei keypoint. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza vario da testare le pipeline di addestramento alla ricerca di errori e fungere da controllo di validità prima di addestrare sul dataset completo COCO-Pose.

Link to this sectionStruttura del dataset#

• Immagini totali: 8 (4 train / 4 val).
• Classi: 1 (person) con 17 tipi di keypoint per annotazione.
• Dimensione download: ~1 MB.
• Layout di directory consigliato: datasets/coco8-pose/images/{train,val} e datasets/coco8-pose/labels/{train,val} con keypoint in formato YOLO salvati come file .txt.

Esplora COCO8-Pose su Ultralytics Platform per sfogliare ogni immagine con i relativi scheletri dei keypoint, visualizzare le distribuzioni dei keypoint e delle classi nella scheda Charts e clonarlo per addestrare il tuo modello nel cloud.

Link to this sectionDataset YAML#

Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni rilevanti. Nel caso del dataset COCO8-Pose, il file coco8-pose.yaml è mantenuto su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

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

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← 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-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26n-pose sul dataset COCO8-Pose per 100 epochs con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina di Training del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

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

Link to this sectionEsempi di immagini e annotazioni#

Ecco alcuni esempi di immagini dal dataset COCO8-Pose, insieme alle relative annotazioni:

• Immagine Mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset a mosaico. 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 batch di addestramento. Ciò aiuta a migliorare la capacità del modello di generalizzare a diverse dimensioni, proporzioni e contesti degli oggetti.

Link to this sectionCitazioni e riconoscimenti#

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}
}

Desideriamo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità di visione artificiale. Per ulteriori informazioni sul dataset COCO e sui suoi creatori, visita il sito web del dataset COCO.

Link to this sectionFAQ#

Link to this sectionCos'è il dataset COCO8-Pose e come si usa con Ultralytics YOLO26?#

Il dataset COCO8-Pose è un dataset di stima della posa piccolo e versatile che include le prime 8 immagini del set COCO train 2017, con 4 immagini per l'addestramento e 4 per la validazione. È progettato per testare e sottoporre a debug modelli di stima della posa e sperimentare nuovi approcci di rilevamento dei keypoint. Questo dataset è ideale per esperimenti rapidi con Ultralytics YOLO26. Per ulteriori dettagli sulla configurazione del dataset, consulta il file YAML del dataset.

Link to this sectionCome addestro un modello YOLO26 utilizzando il dataset COCO8-Pose in Ultralytics?#

Carica yolo26n-pose.pt e chiama model.train(data="coco8-pose.yaml", epochs=100, imgsz=640) — vedi l'Esempio di Addestramento qui sopra per gli snippet completi in Python e CLI, e la pagina di Training del modello per un elenco completo degli argomenti.

Link to this sectionQuali sono i vantaggi dell'utilizzo del dataset COCO8-Pose?#

Con 8 immagini totali (4 train / 4 val), 1 classe, uno schema a 17 keypoint e un download di ~1 MB, COCO8-Pose è abbastanza piccolo da essere gestito in pochi secondi ma abbastanza vario da eseguire un controllo di validità su una pipeline di addestramento della posa alla ricerca di errori prima di passare al dataset completo COCO-Pose. Per saperne di più sulle sue funzionalità e sull'utilizzo, consulta la sezione Introduzione al Dataset.

Link to this sectionIn che modo il mosaicing favorisce il processo di addestramento di YOLO26 utilizzando il dataset COCO8-Pose?#

Il mosaicing combina più immagini in una sola, aumentando la varietà di oggetti e scene all'interno di ogni batch di addestramento, il che aiuta il modello a generalizzare su diverse dimensioni di oggetti, proporzioni e contesti. Vedi la sezione Immagini di Esempio e Annotazioni per un esempio.

Link to this sectionDove posso trovare il file YAML del dataset COCO8-Pose e come lo uso?#

Il file YAML del dataset COCO8-Pose si trova su https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Questo file definisce la configurazione del dataset, inclusi percorsi, classi e altre informazioni rilevanti. Utilizza questo file con gli script di addestramento YOLO26 come menzionato nella sezione Train Example.

Per saperne di più sui modelli di keypoint, consulta la documentazione sull'attività di Pose Estimation.