Meet YOLO26: next-gen vision AI.

Link to this sectionDataset COCO8-Pose#

Link to this sectionIntroduzione#

Ultralytics COCO8-Pose è un dataset di rilevamento pose piccolo ma versatile, composto dalle prime 8 immagini del set COCO train 2017, 4 per l'addestramento e 4 per la validazione. Questo dataset è ideale per testare e sottoporre a debug 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 addestramento alla ricerca di errori e fungere da controllo di integrità prima di addestrare set di dati più grandi.

Link to this sectionStruttura del dataset#

  • Immagini totali: 8 (4 train / 4 val).
  • Classi: 1 (persona) con 17 keypoint per annotazione.
  • 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.

Questo dataset è inteso per l'uso con Ultralytics Platform e YOLO26.

Link to this sectionYAML del dataset#

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, le classi e altre informazioni pertinenti. 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/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 epoch 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 Training del modello.

Esempio di training
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 sectionImmagini campione e annotazioni#

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

COCO8-pose keypoint estimation dataset mosaic
  • Immagine a 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.

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 addestramento.

Link to this sectionCitazioni e ringraziamenti#

Se utilizzi il dataset COCO nel tuo lavoro di ricerca o sviluppo, cita il seguente articolo:

Citazione
@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}
}

Vorremmo ringraziare il COCO Consortium per aver creato e mantenuto questa preziosa risorsa per la comunità di computer vision. Per maggiori informazioni sul dataset COCO e i suoi creatori, visita il sito web del dataset COCO.

Link to this sectionFAQ#

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

Il dataset COCO8-Pose è un piccolo e versatile dataset di rilevamento pose 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 object detection e per sperimentare nuovi approcci di rilevamento. 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 posso addestrare un modello YOLO26 utilizzando il dataset COCO8-Pose in Ultralytics?#

Per addestrare un modello YOLO26n-pose sul dataset COCO8-Pose per 100 epoch con una dimensione dell'immagine di 640, segui questi esempi:

Esempio di training
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

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

Per un elenco completo degli argomenti di addestramento, fai riferimento alla pagina Training del modello.

Link to this sectionQuali sono i vantaggi dell'utilizzo del dataset 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 dimensioni ridotte, include una varietà di scene, utile per testare accuratamente la pipeline.
  • Debug degli errori: Ideale per identificare errori di addestramento ed eseguire controlli di integrità prima di passare a dataset più grandi.

Per saperne di più sulle sue funzionalità e sull'utilizzo, vedi la sezione Introduzione al dataset.

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

Il mosaicing, mostrato nelle immagini di esempio del dataset COCO8-Pose, combina più immagini in una sola, 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 su varie dimensioni di oggetti, proporzioni e contesti, migliorando in definitiva le prestazioni del modello. Vedi la sezione Esempi di immagini e annotazioni per le immagini di esempio.

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

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 i percorsi, le classi e altre informazioni pertinenti. Utilizza questo file con gli script di addestramento YOLO26 come menzionato nella sezione Esempio di addestramento.

Per ulteriori FAQ e documentazione dettagliata, visita la Documentazione Ultralytics.

Collaboratori
GLglenn-jocher15JKjk4e2MAMatthewNoyce1RIRizwanMunawar1HAHaonan Liu1

Commenti