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 🚀 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: ../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 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.
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 all'indirizzo ultralytics Questo file definisce la configurazione del dataset, compresi i percorsi, le classi e altre informazioni rilevanti. Utilizzare questo file con gli script di addestramento YOLO11 , come indicato nella sezione Esempio di addestramento.
Per ulteriori FAQ e documentazione dettagliata, visitate la Documentazione di Ultralytics .
