Dataset COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

Sample dataset with 8 images from COCO for testing YOLO pose estimation models. Contains human keypoint annotations for body pose detection and tracking.

31 class618.2 KBMar 16, 2026

person

Introduzione#

Ultralytics COCO8-Pose è un piccolo ma versatile dataset di stima della posa composto dalle prime 8 immagini del set COCO train 2017 (4 per il training, 4 per la validazione), che utilizza uno schema a 17 keypoint per la singola classe "person". Questo dataset è ideale per testare e fare il debug dei modelli di stima della posa, o per sperimentare nuovi approcci di rilevamento dei keypoint. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente vario da testare la presenza di errori nelle pipeline di training e fungere da controllo di sanità prima di eseguire il training sul dataset COCO-Pose completo.

Struttura del dataset#

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

Esplora COCO8-Pose su Ultralytics Platform per visualizzare ogni immagine con i relativi scheletri di keypoint, guarda le distribuzioni di keypoint e classi nella scheda Charts e clonalo per eseguire il training del tuo modello nel cloud.

Dataset YAML#

Un file YAML viene utilizzato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del dataset COCO8-Pose, il file coco8-pose.yaml viene 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

Utilizzo#

Per eseguire il training di un modello YOLO26n-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, fai riferimento alla pagina 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)

Esempi 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.

Citazioni 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 computer vision. Per ulteriori informazioni sul dataset COCO e sui suoi creatori, visita il COCO dataset website.

FAQ#