Dataset COCO8-Pose
Introduzione
Ultralytics COCO8-Pose è un set di dati di rilevamento della posa piccolo ma versatile, composto dalle prime 8 immagini del set di training COCO 2017, 4 per il training e 4 per la convalida. Questo set di dati è ideale per testare ed eseguire il debug di modelli di object detection o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza diversificato da testare le pipeline di training per errori e fungere da controllo di integrità prima di eseguire il training di set di dati più grandi.
Questo dataset è destinato all'uso con Ultralytics HUB e YOLO11.
YAML del set di dati
Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi, le classi e altre informazioni rilevanti del dataset. Nel caso del dataset COCO8-Pose, il coco8-pose.yaml
file è mantenuto in https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.
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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip
Utilizzo
Per addestrare un modello YOLO11n-pose sul dataset COCO8-Pose per 100 epoche 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 addestramento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
Immagini di esempio e annotazioni
Ecco alcuni esempi di immagini del dataset COCO8-Pose, insieme alle relative annotazioni:
- Immagine mosaicata: questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicato. Il mosaicing 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 contribuisce a migliorare la capacità del modello di generalizzare a diverse dimensioni degli oggetti, proporzioni e contesti.
L'esempio mostra la varietà e la complessità delle immagini nel dataset COCO8-Pose e i vantaggi dell'utilizzo del mosaicing durante il processo di 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}
}
Desideriamo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per maggiori informazioni sul dataset COCO e sui suoi creatori, visitare il sito web del dataset COCO.
FAQ
Cos'è il dataset COCO8-Pose e come viene utilizzato con Ultralytics YOLO11?
Il dataset COCO8-Pose è un piccolo e versatile dataset di rilevamento della posa che include le prime 8 immagini del set COCO train 2017, con 4 immagini per l'addestramento e 4 per la convalida. È progettato per testare ed eseguire il debug di modelli di rilevamento oggetti e per sperimentare nuovi approcci di rilevamento. Questo dataset è ideale per esperimenti rapidi con Ultralytics YOLO11. Per maggiori dettagli sulla configurazione del dataset, consulta il file YAML del dataset.
Come posso addestrare un modello YOLO11 utilizzando il dataset COCO8-Pose in Ultralytics?
Per addestrare un modello YOLO11n-pose sul dataset COCO8-Pose per 100 epoche con una dimensione dell'immagine di 640, segui questi esempi:
Esempio di addestramento
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt")
# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
Per un elenco completo degli argomenti di addestramento, fare riferimento alla pagina Addestramento del modello.
Quali sono i vantaggi dell'utilizzo del set di dati COCO8-Pose?
Il dataset COCO8-Pose offre diversi vantaggi:
- Dimensioni compatte: Con sole 8 immagini, è facile da gestire e perfetto per esperimenti rapidi.
- Dati diversificati: Nonostante le sue dimensioni ridotte, include una varietà di scene, utili per test approfonditi della pipeline.
- Debug degli errori: Ideale per identificare gli errori di addestramento ed eseguire controlli di integrità prima di passare a set di dati più grandi.
Per maggiori informazioni sulle sue caratteristiche e sul suo utilizzo, consulta la sezione Introduzione al dataset.
In che modo il mosaicing avvantaggia il processo di addestramento di YOLO11 utilizzando il dataset COCO8-Pose?
Il mosaicing, dimostrato nelle sample_images del dataset COCO8-Pose, combina più immagini in una, aumentando la varietà di oggetti e scene all'interno di ogni batch di addestramento. Questa tecnica aiuta a migliorare la capacità del modello di generalizzare tra varie dimensioni degli oggetti, proporzioni e contesti, migliorando in definitiva le prestazioni del modello. Consulta la sezione Sample Images and Annotations per le sample_images.
Dove posso trovare il file YAML del dataset COCO8-Pose e come posso utilizzarlo?
Il file YAML del dataset COCO8-Pose è disponibile all'indirizzo 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 YOLO11 come indicato nella sezione Esempio di addestramento.
Per ulteriori domande frequenti e documentazione dettagliata, visita la Documentazione Ultralytics.