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、小規模ながらも多用途なobject detection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、または新しい検出アプローチの実験に最適です。128枚の画像があるため、簡単に管理できるほど小規模でありながら、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のトレーニング前のサニティチェックとして機能するのに十分な多様性を備えています。
Watch: Ultralytics COCO Dataset Overview
このデータセットは、Ultralytics PlatformおよびYOLO26で使用することを想定しています。
データセットの構造#
COCO128には、COCO train 2017セットからの最初の128枚の画像が含まれており、80すべてのCOCOオブジェクトクラスをYOLO label formatで網羅しています。同じ128枚の画像がトレーニングとバリデーションの両方の分割として機能し、クイックなサニティチェックのために軽量に保たれています:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/データセット YAML#
YAMLファイルは、データセットの設定を定義するために使用されます。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で保守されています。
# 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、初めてトレーニングを開始するときに自動的にダウンロードされます。画像サイズ640で100epochsの間COCO128でYOLO26nモデルを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。
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#
以下は、COCO128データセットに含まれる画像と、それに対応するアノテーションの例です。
- モザイク画像: この画像は、モザイク処理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。モザイク処理は、トレーニング中に複数の画像を1つの画像に結合し、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る技術です。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してモデルが汎化する能力を向上させます。
この例は、COCO128データセット内の画像の多様性と複雑さ、そして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#
研究や開発作業で 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：
@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}
}computer visionコミュニティのためにこの貴重なリソースを作成および維持してくださっているCOCO Consortiumに感謝いたします。COCOデータセットとその作成者の詳細については、COCO dataset websiteをご覧ください。
よくある質問 (FAQ)#
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、object detection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、およびより大規模なデータセットにスケーリング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であるため、迅速な反復に最適でありながら、意味のあるテストケースになるのに十分な多様性を提供します。
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コマンドのいずれかを使用できます。手順は以下の通りです。
学習例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については、Trainingのドキュメントを参照してください。
サンプル画像にも示されているように、モザイク拡張は複数のトレーニング画像を1つの合成画像に組み合わせる手法です。この手法には、COCO128でのトレーニング時に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多様性を高める
- 異なる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る
- さまざまなスケールのオブジェクトに対する検出パフォーマンスを強化する
- 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において特に有効であり、限られたデータからモデルがより堅牢な特徴を学習するのを助けます。
COCO128は主に物体検出向けに設計されていますが、データセットのアノテーションを他のコンピュータビジョンのタスクに適応させることも可能です。
- インスタンスセグメンテーション: アノテーションに含まれるセグメンテーションマスクを使用する場合
- キーポイント検出: キーポイントアノテーションを含む人物画像の場合
- 転移学習: カスタムタスク用にモデルを微調整（ファインチューニング）するための出発点として
segmentationなどの特殊なタスクについては、適切なアノテーションを含むCOCO8-segのような目的に特化したバリアントの使用を検討してください。