COCO128データセット#
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検出データセットです。このデータセットは、物体検出モデルのテストやデバッグ、新しい検出アプローチの実験に適しています。128枚の画像で構成されているため簡単に管理できる一方、トレーニングパイプラインのエラーを検証し、大規模なデータセットでトレーニングする前のサニティチェックとして使用できる十分な多様性も備えています。
Watch: Ultralytics COCO Dataset Overview
このデータセットは、Ultralytics PlatformおよびYOLO26での使用を想定しています。
データセットの構成#
COCO128には、COCO train 2017セットの最初の128枚の画像が含まれており、YOLOラベル形式でCOCOの全80物体クラスを網羅しています。同じ128枚の画像をトレーニングと検証の両方の分割に使用することで、迅速なサニティチェックに適した軽量な構成になっています。
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/データセット YAML#
YAMLファイルを使用してデータセットの設定を定義します。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ます。COCO128データセットの場合、coco128.yamlファイルはhttps://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yamlで管理されています。
# 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/coco128
# 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使用方法#
COCO128データセット（7 MB）は、トレーニングを初めて開始すると自動的にダウンロードされます。画像サイズ640でCOCO128上のYOLO26nモデルを100エポックトレーニングするには、次のコードスニペットを使用できます。利用可能な引数の一覧については、モデルのトレーニングページを参照してください。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)サンプル画像とアノテーション#
以下に、COCO128データセットの画像例と、それぞれに対応するアノテーションを示します。
- モザイク化画像: 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たトレーニングバッチを示しています。モザイク化は、トレーニング中に複数の画像を1枚の画像に組み合わせ、各トレーニングバッチ内の物体やシーンの多様性を高める技法です。これにより、さまざまな物体サイズ、アスペクト比、コンテキストに対するモデルの汎化性能を向上させます。
この例では、COCO128データセットに含まれる画像の多様性と複雑さ、そしてトレーニングプロセスでモザイク処理を使用する利点を紹介しています。
引用と謝辞#
研究または開発でCOCOデータセットを使用する場合は、次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}
}コンピュータービジョンコミュニティにとって価値のあるこのリソースを作成・維持しているCOCO Consortiumに謝意を表します。COCOデータセットとその作成者の詳細については、COCOデータセットのウェブサイトをご覧ください。
FAQ#
Ultralytics COCO128データセットは、COCO train 2017データセットの最初の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、大規模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。扱いやすいサイズでありながら、意味のあるテストケースとして十分な多様性を備えているため、迅速な反復に最適です。
COCO128データセットでYOLO26モデルをトレーニングするには、PythonまたはCLIコマンドを使用できます。方法は次のとおりです。
トレーニング例from ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco128.yaml", 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ーについては、トレーニングドキュメントを参照してください。
サンプル画像に示されているモザイク拡張は、複数のトレーニング画像を1枚の合成画像に組み合わせます。COCO128でトレーニングする際、この手法には次のような利点があります。
- 各トレーニングバッチ内の物体とコンテキストの多様性を高める
- 異なる物体サイズとアスペクト比に対するモデルの汎化性能を向上させる
- さまざまなスケールの物体に対する検出性能を高める
- より多様なトレーニングサンプルを作成することで、小規模なデータセットの有用性を最大化する
この手法はCOCO128のような小規模なデータセットで特に有用であり、限られたデータからモデルがより堅牢な特徴を学習できるようにします。