Link to this sectionCOCO8 データセット#

Link to this sectionはじめに#

Ultralytics の COCO8 データセットは、コンパクトながら強力な物体検出データセットです。COCO train 2017 セットの最初の8枚の画像（トレーニング用に4枚、検証用に4枚）で構成されています。このデータセットは、YOLO モデルやトレーニングパイプラインの迅速なテスト、デバッグ、実験を目的として特別に設計されています。サイズが小さいため非常に扱いやすく、一方で多様性も備えているため、より大規模なデータセットにスケールアップする前の効果的な健全性チェック（サニティチェック）として機能します。

Watch: Ultralytics COCO Dataset Overview

COCO8 は Ultralytics Platform および YOLO26 と完全に互換性があり、コンピュータービジョンのワークフローへのシームレスな統合が可能です。

Link to this sectionデータセット YAML#

COCO8 データセットの構成は、データセットのパス、クラス名、その他の重要なメタデータを指定する YAML (Yet Another Markup Language) ファイルで定義されています。公式の coco8.yaml ファイルは、Ultralytics GitHub リポジトリで確認できます。

ultralytics/cfg/datasets/coco8.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 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: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8.zip

Link to this section使用方法#

COCO8 データセットを使用して YOLO26n モデルを画像サイズ 640 で 100 エポック分トレーニングするには、以下の例を使用してください。トレーニングオプションの完全なリストについては、YOLO トレーニングのドキュメントを参照してください。

学習例

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Link to this sectionサンプル画像とアノテーション#

以下は、COCO8 データセットを使用したモザイク処理されたトレーニングバッチの例です：

COCO8 object detection dataset mosaic training batch

モザイク画像: この画像は、複数のデータセット画像をモザイクオーグメンテーション（データ拡張）で組み合わせたトレーニングバッチを示しています。モザイクオーグメンテーションは各バッチ内のオブジェクトとシーンの多様性を高め、モデルがさまざまなオブジェクトのサイズ、アスペクト比、背景に対してより適切に汎化できるように支援します。

この手法は COCO8 のような小規模なデータセットにとって特に有効であり、トレーニング中に各画像から得られる情報を最大化します。

Link to this section引用と謝辞#

研究や開発で 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：

引用

@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}
}

Special thanks to the COCO Consortium for their ongoing contributions to the computer vision community.

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics COCO8 データセットの用途は何ですか？#

Ultralytics COCO8 データセットは、物体検出モデルの迅速なテストとデバッグを目的として設計されています。わずか8枚の画像（トレーニング用4枚、検証用4枚）で構成されているため、YOLO トレーニングパイプラインを検証し、より大規模なデータセットへスケールアップする前にすべてが期待通りに動作することを確認するのに最適です。詳細は COCO8 YAML 構成を確認してください。