Vai al contenuto

Set di dati COCO8-Pose

Introduzione

Ultralytics COCO8-Pose è un piccolo ma versatile set di dati per il rilevamento della posa composto dalle prime 8 immagini del set COCO train 2017, 4 per l'addestramento e 4 per la validazione. Questo set di dati è ideale per il test e il debug dei modelli di rilevamento degli oggetti o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente diversificato per testare le pipeline di addestramento alla ricerca di errori e fungere da verifica della correttezza prima di addestrare set di dati più grandi.

Questo set di dati è destinato all'utilizzo di Ultralytics HUB e di YOLO11.

Set di dati YAML

Un file YAML (Yet Another Markup Language) è usato per definire la configurazione del dataset. Contiene informazioni sui percorsi del dataset, sulle classi e altre informazioni rilevanti. Nel caso del set di dati COCO8-Pose, il file coco8-pose.yaml Il file viene mantenuto all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

ultralytics/cfg/datasets/coco8-pose.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 epoch con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

Esempio di treno

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 dal set di dati COCO8-Pose, con le relative annotazioni:

Immagine campione del set di dati

  • Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicate. La mosaicatura 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 ciascun batch di addestramento. Ciò contribuisce a migliorare la capacità del modello di generalizzarsi a oggetti di dimensioni, rapporti di aspetto e contesti diversi.

L'esempio mostra la varietà e la complessità delle immagini del dataset COCO8-Pose e i vantaggi dell'uso della mosaicatura durante il processo di addestramento.

Citazioni e ringraziamenti

Se utilizzate il set di dati COCO nel vostro lavoro di ricerca o sviluppo, siete pregati di citare il seguente documento:

@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 Consorzio COCO per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per ulteriori informazioni sul dataset COCO e sui suoi creatori, visitare il sito web del dataset COCO.

FAQ

Che cos'è il dataset COCO8-Pose e come si usa con Ultralytics YOLO11 ?

Il set di dati COCO8-Pose è un piccolo e versatile set di dati per il rilevamento della posa che include le prime 8 immagini del set COCO train 2017, con 4 immagini per l'addestramento e 4 per la validazione. È stato progettato per il test e il debug dei modelli di rilevamento degli oggetti e per la sperimentazione di nuovi approcci di rilevamento. Questo set di dati è ideale per esperimenti rapidi con Ultralytics YOLO11. Per maggiori dettagli sulla configurazione del dataset, consultare il file YAML del dataset qui.

Come si addestra un modello YOLO11 utilizzando il dataset COCO8-Pose in Ultralytics?

Per addestrare un modello YOLO11n-pose sul dataset COCO8-Pose per 100 epoch con una dimensione dell'immagine di 640, seguire questi esempi:

Esempio di treno

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 formazione, consultare la pagina Formazione del modello.

Quali sono i vantaggi dell'utilizzo del dataset COCO8-Pose?

Il set di dati COCO8-Pose offre diversi vantaggi:

  • Dimensioni compatte: Con solo 8 immagini, è facile da gestire e perfetto per esperimenti rapidi.
  • Dati diversificati: Nonostante le dimensioni ridotte, include una varietà di scene, utili per un test approfondito della pipeline.
  • Debug degli errori: Ideale per identificare gli errori di formazione ed eseguire controlli di correttezza prima di scalare a set di dati più grandi.

Per ulteriori informazioni sulle sue caratteristiche e sul suo utilizzo, consultare la sezione Introduzione al dataset.

In che modo la mosaicatura può giovare al processo di addestramento di YOLO11 utilizzando il dataset COCO8-Pose?

La mosaicatura, dimostrata nelle immagini campione del set di dati COCO8-Pose, combina più immagini in una sola, aumentando la varietà di oggetti e scene all'interno di ogni gruppo di addestramento. Questa tecnica contribuisce a migliorare la capacità del modello di generalizzare tra oggetti di varie dimensioni, rapporti di aspetto e contesti, migliorando in ultima analisi le prestazioni del modello. Per le immagini di esempio si veda la sezione Immagini di esempio e annotazioni.

Dove posso trovare il file YAML del dataset COCO8-Pose e come posso utilizzarlo?

Il file YAML del set di dati COCO8-Pose si trova qui. Questo file definisce la configurazione del dataset, compresi i percorsi, le classi e altre informazioni rilevanti. Utilizzare questo file con gli script di addestramento di YOLO11 , come indicato nella sezione Esempio di addestramento.

Per ulteriori FAQ e documentazione dettagliata, visitate la Documentazione di Ultralytics .

📅C reato 1 anno fa ✏️ Aggiornato 2 mesi fa

Commenti