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 PlatformおよびYOLO26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、データセットの構成を定義するために使用されます。これには、データセットのパス、クラス、およびその他の関連情報が含まれます。COCO128データセットの場合、 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.

ultralytics/cfg/datasets/coco128.yaml

# 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YOLO26nモデルを画像サイズ640で100 epochsトレーニングするには、以下のコードスニペットを使用できます。利用可能な引数の包括的なリストについては、モデルのTrainingページを参照してください。

学習の例

PythonCLI

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)

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo26n.pt epochs=100 imgsz=640

サンプル画像とアノテーション

COCO128データセットからの画像と、それに対応するアノテーションの例をいくつか示します。

COCO128 検出データセットモザイクトレーニングバッチ

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。

この例は、COCO128データセット内の画像の多様性と複雑さ、およびトレーニングプロセス中にモザイク処理を使用する利点を示しています。

引用と謝辞

研究または開発作業で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。

BibTeX

@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のためにこの貴重なリソースを作成し、維持しているCOCO Consortiumに感謝いたします。COCOデータセットとその作成者に関する詳細情報については、COCOデータセット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用されますか？

Ultralytics COCO128データセットは、COCO train 2017データセットから最初の128枚の画像を含むコンパクトなサブセットです。これは主に、オブジェクト detect モデルのテストとデバッグ、新しい detect アプローチの実験、およびより大規模なデータセットへのスケーリング前のトレーニングパイプラインの検証に使用されます。その管理しやすいサイズは、迅速なイテレーションに最適でありながら、意味のあるテストケースとなる十分な多様性を提供します。