コンテンツにスキップ

データ集合COCO128

はじめに

Ultralytics COCO128は、COCO train 2017セットの最初の128枚の画像で構成された、小規模ながら汎用性の高い物体detectデータセットです。このデータセットは、物体detectモデルのテストとデバッグ、または新しいdetectアプローチの実験に最適です。128枚の画像で構成されているため、管理が容易なほど十分に小さく、エラーのトレーニングパイプラインをテストし、より大きなデータセットをトレーニングする前に健全性チェックとして機能するのに十分な多様性があります。



見る: Ultralytics COCO データセットの概要

このデータセットは、Ultralytics HUBおよびYOLO11での使用を目的としています。

データセット YAML

YAML (Yet Another Markup Language) ファイルはデータセットの設定を定義するために使われる。このファイルには、データセットのパス、クラス、その他の関連情報が含まれている。COCO128 データセットの場合は coco128.yaml fileは以下で管理されています: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralyticsyaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 images
test: # test images (optional)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco128.zip

使用法

COCO128 データセットでYOLO11nモデルを画像サイズ640で100エポック学習させるには、以下のコードスニペットを使用します。利用可能な引数の包括的なリストについては、モデルのトレーニングページを参照してください。

学習の例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

サンプル画像とアノテーション

COCO128 データセットの画像の例と、それに対応するアノテーションを紹介する：

データセットのサンプル画像

  • モザイク化された画像: この画像は、モザイク化されたデータセット画像で構成されるトレーニングバッチを示しています。モザイキングは、各トレーニングバッチ内のオブジェクトとシーンの多様性を高めるために、複数の画像を1つの画像に結合するトレーニング中に使用される手法です。これにより、さまざまなオブジェクトのサイズ、アスペクト比、およびコンテキストに対するモデルの汎化能力が向上します。

この例では、COCO128 データセットの画像の多様性と複雑さ、および学習プロセスでモザイク処理を使用する利点を示している。

引用と謝辞

COCO データセットを研究開発に使用する場合は、以下の論文を引用してください：

@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}
}

COCO コンソーシアムが、コンピュータビジョンコミュニティのためにこの貴重なリソースを作成し、維持してくれていることに感謝したい。COCO データセットとその作成者についての詳細は、COCO データセットのウェブサイトをご覧ください。

よくある質問

Ultralytics COCO128 データセットは何に使われていますか？

Ultralytics COCO128 データセットは、COCO train 2017データセットからの最初の128枚の画像を含むコンパクトなサブセットです。主に物体検出モデルのテストとデバッグ、新しい検出アプローチの実験、より大きなデータセットに拡張する前のトレーニングパイプラインの検証に使用されます。管理しやすいサイズなので、意味のあるテストケースとして十分な多様性を提供しながらも、迅速な反復に最適です。

COCO128 データセットを使ってYOLO11 モデルをトレーニングするには？

COCO128 データセットでYOLO11 モデルをトレーニングするには、Python またはCLI コマンドのいずれかを使用できます。以下はその方法です：

学習の例

from ultralytics import YOLO

# Load a pretrained model
model = YOLO("yolo11n.pt")

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

その他のトレーニングオプションとパラメータについては、トレーニングドキュメントを参照してください。

COCO128モザイク補強をするメリットは何ですか？

サンプル画像に示されているように、モザイク補強は、複数のトレーニング画像を1つの合成画像に結合します。COCO128トレーニングする場合、この手法にはいくつかの利点があります：

  • 各トレーニングバッチ内のオブジェクトとコンテキストのバリエーションを増やします。
  • さまざまなオブジェクトサイズとアスペクト比にわたるモデルの汎化性能を向上させます
  • さまざまなスケールでのオブジェクトの検出パフォーマンスを向上させます
  • 小規模なデータセットの有用性を最大限に高めるために、より多様なトレーニングサンプルを作成します。

このテクニックは、COCO128ような小規模なデータセットでは特に価値があり、モデルが限られたデータからよりロバストな特徴を学習するのに役立つ。

COCO128 他のCOCO データセットと比較してどうですか？

COCO128 (128画像) COCO8(8画像)とフル COCOデータセット（118K+画像）の中間に位置する：

  • COCO8:わずか8枚の画像（4トレイン、4バル）を収録 - 素早いテストやデバッグに最適
  • COCO128:128枚の画像を収録 - サイズと多様性のバランス
  • フルCOCO：11万8000枚以上のトレーニング画像を収録 - 包括的だがリソース集約型

COCO128 、COCO8 多様性がありながら、実験や初期のモデル開発にはCOCO データセット全体よりもはるかに管理しやすい、良い中間点を提供している。

COCO128 物体検出以外の作業に使用できますか？

COCO128 主に物体検出用に設計されているが、データセットのアノテーションは他のコンピュータビジョンタスクにも適応できる：

  • インスタンスセグメンテーション：アノテーションで提供されるセグメンテーションマスクを使用します
  • キーポイント検出: キーポイントアノテーションが付与された人物を含む画像の場合
  • 転移学習：カスタムタスクのためにモデルを微調整するための出発点として

セグメンテーションのような特殊なタスクには、適切なアノテーションを含むCOCO8ような専用バリアントの使用を検討してください。



📅9ヶ月前に作成 ✏️8ヶ月前に更新
glenn-jocherlakshanthad

コメント