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る、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、新しい検出手法の実験に最適です。128枚の画像で構成されるため、簡単に扱える規模でありながら、トレーニングパイプラインのエラーをテストし、より大規模なデータセットでトレーニングする前の健全性チェックに使えるだけの多様性も備えています。
視聴: Ultralytics COCO データセットの概要
このデータセットは、Ultralytics PlatformおよびYOLO26での使用を目的としています。
データセットの構成#
COCO128には、COCO train 2017セットから取得した最初の128枚の画像が含まれており、80種類のCOCOクラス名（そのうち71種類がこれらの画像に登場）でラベル付けされています。YOLOラベル形式を使用しています。同じ128枚の画像をトレーニング用と検証用の両方に使用し、簡単な健全性チェックに適した軽量な構成にしています。
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/データセットYAML#
データセットの設定を定義するには、YAMLファイルを使用します。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、トレーニングを開始すると初回に自動でダウンロードされます。画像サイズ640でCOCO128を使用して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。使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
# モデルを読み込む
model = YOLO("yolo26n.pt") # 事前トレーニング済みモデルを読み込みます（トレーニングにはこちらを推奨します）
# モデルをトレーニングする
results = model.train(data="coco128.yaml", 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例と、それぞれに対応するアノテーションを以下に示します。
- モザイク画像: モザイク化し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。モザイク化はトレーニング中に使用される手法で、複数の画像を1枚にまとめ、各トレーニングバッチ内のオブジェクトやシーンの多様性を高めます。これにより、さまざまなオブジェクトサイズ、アスペクト比、コンテキストに対するモデルの汎化性能が向上します。
この例は、COCO128データセットの画像の多様性と複雑さ、およびトレーニング中にモザイクを使用する利点を示しています。
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、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}
}この貴重なリソースを作成・維持しているCOCOコンソーシアムに、コンピュータビジョンコミュニティを代表して感謝します。COCOデータセットとその作成者について詳しくは、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、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やデバッグ、新しい検出手法の実験、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、有意義なテストケースとなる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。手順は次のとおりです。
トレーニング例from ultralytics import YOLO # 事前トレーニング済みモデルを読み込む model = YOLO("yolo26n.pt") # モデルをトレーニングする results = model.train(data="coco128.yaml", epochs=100, imgsz=640)トレーニングのオプションとパラメーターについて詳しくは、トレーニングのドキュメントを参照してください。
サンプル画像に示すように、モザイク拡張は複数のトレーニング画像を1枚の合成画像にまとめる手法です。COCO128のトレーニングでは、次のような利点があります。
- 各トレーニングバッチ内のオブジェクトやコンテキストの多様性を高めます
- さまざまなオブジェクトサイズやアスペクト比に対す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のオブジェクトに対する検出性能を向上させます
- より多様なトレーニングサンプルを作成し、小規模データセットの有用性を最大限に高めます
この手法はCOCO128のような小規模データセットで特に有効であり、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。