コンテンツへスキップ

データ集合 COCO128

はじめに

UltralyticsCOCO128は、COCO train 2017セットの最初の128枚の画像で構成された、小さいが汎用性の高い物体検出データセットである。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枚の画像は、簡単に管理できるほど十分に小さく、かつトレーニングパイプラインのエラーをテストし、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。



見るんだ： 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.

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 ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralytics.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: ../datasets/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。

列車の例

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

サンプル画像と注釈

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：

データセットサンプル画像

  • 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たトレーニングバッチを示す。モザイク処理とは、複数の画像を1つの画像に合成することで、各トレーニングバッチ内のオブジェクトやシーンの種類を増やす手法です。これにより、異なるオブジェクトサイズ、アスペクト比、コンテクストに対するモデルの汎化能力を向上させることができます。

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。

よくあるご質問

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：

列車の例

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

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

COCO128で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で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種類を増やす
  • 異なるオブジェクトのサイズやアスペクト比におけるモデルの汎化性を向上
  • 様々なスケールの物体に対する検出性能を強化
  • より多様なトレーニングサンプルを作成することで、小さなデータセットの有用性を最大化する。

このテクニックは、COCO128の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は他のCOCOデータセットと比較してどうですか？

COCO128（128画像）は、COCO8（8画像）と完全なCOCOデータセット（118K以上の画像）の中間に位置するサイズである：

  • COCO8: 8つのイメージ（4トレイン、4バル）を含む - 素早いテストとデバッグに最適
  • 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は、COCO8よりも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を物体検出以外の作業に使用できますか？

COCO128は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：

  • インスタンスのセグメンテーション：アノテーションで提供されたセグメンテーションマスクを使用する。
  • キーポイント検出：キーポイント注釈のある人物を含む画像に対して
  • 転移学習：カスタムタスク用にモデルを微調整する出発点として

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-segのような専用バリアントの使用を検討してください。

📅作成：1ヶ月前 ✏️更新しました 1ヶ月前
グレン・ヨッハー ラーシャンタッド

コメント