Link to this sectionDataset COCO8-Pose#

Link to this sectionIntroduzione#

Ultralytics COCO8-Pose è un dataset di rilevamento di 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 con nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma abbastanza diversificato da testare le pipeline di addestramento per rilevare errori e fungere da controllo di validità prima di addestrare dataset 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 sectionDataset YAML#

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 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.

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 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 rilevamento di pose 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 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, dai un'occhiata al file YAML del dataset.

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

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

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, consulta la pagina di Addestramento 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 test completi della pipeline.
• Debug degli errori: Ideale per identificare errori di addestramento ed eseguire controlli di validità prima di passare a dataset più grandi.

Per ulteriori informazioni 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, mostrato nelle immagini campione 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 degli oggetti, rapporti d'aspetto e contesti, migliorando in definitiva le prestazioni del modello. Consulta la sezione Sample Images and Annotations per esempi di immagini.

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 ulteriori FAQ e documentazione dettagliata, visita la Documentazione Ultralytics.