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 la formazione e 4 per la convalida. Questo set di dati è l'ideale per testare e debuggare i modelli di rilevamento degli oggetti o per sperimentare nuovi approcci di rilevamento. Con 8 immagini, è abbastanza piccolo da essere facilmente gestibile, ma sufficientemente vario da poter testare le pipeline di addestramento per individuare eventuali 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 YOLOv8.

Set di dati YAML

Un file YAML (Yet Another Markup Language) viene utilizzato 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 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 YOLOv8n-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, consulta la pagina di addestramento del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

Immagini di esempio e annotazioni

Ecco alcuni esempi di immagini tratte dal dataset COCO8-Pose, con le relative annotazioni:

• Immagine a mosaico: Questa immagine mostra un lotto di formazione composto da immagini del dataset mosaicate. 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 gruppo di addestramento. Questo aiuta 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'utilizzo della mosaicatura durante il processo di formazione.

Citazioni e ringraziamenti

Se utilizzi il set di dati COCO nel tuo lavoro di ricerca o sviluppo, cita 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 maggiori informazioni sul dataset COCO e sui suoi creatori, visita il sito web del dataset COCO.

DOMANDE FREQUENTI

Cos'è il set di dati COCO8-Pose e come si usa con Ultralytics YOLOv8 ?

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 testare e debuggare i modelli di rilevamento degli oggetti e per sperimentare nuovi approcci di rilevamento. Questo set di dati è ideale per esperimenti rapidi con Ultralytics YOLOv8. Per maggiori dettagli sulla configurazione del dataset, consulta il file YAML del dataset qui.

Come si addestra un modello YOLOv8 utilizzando il dataset COCO8-Pose in Ultralytics?

Per addestrare un modello YOLOv8n-pose sul dataset COCO8-Pose per 100 epoch con un'immagine di 640, segui questi esempi:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")

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

yolo detect train data=coco8-pose.yaml model=yolov8n.pt epochs=100 imgsz=640

Per un elenco completo degli argomenti di formazione, consulta la pagina Formazione del modello.

Quali sono i vantaggi dell'utilizzo del set di dati 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 veloci.
• Dati diversificati: Nonostante le dimensioni ridotte, include una grande varietà di scene, utili per testare a fondo le 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 maggiori informazioni sulle sue caratteristiche e sul suo utilizzo, consulta la sezione Introduzione al Dataset.

In che modo la mosaicatura può favorire il processo di formazione di YOLOv8 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 aiuta a migliorare la capacità del modello di generalizzare tra oggetti di varie dimensioni, rapporti d'aspetto e contesti, migliorando in ultima analisi le prestazioni del modello. Consulta la sezione Immagini di esempio e annotazioni per vedere le immagini di esempio.

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

Il file YAML del dataset COCO8-Pose si trova qui. Questo file definisce la configurazione del dataset, compresi i percorsi, le classi e altre informazioni rilevanti. Utilizza questo file con gli script di addestramento di YOLOv8 come indicato nella sezione Esempio di addestramento.

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

Commenti