COCO8データセット

Q: How Do I Train a YOLO26 Model Using the COCO8 Dataset?

PythonまたはCLIのいずれかを使用して、COCO8でYOLO26モデルを訓練できます。追加の訓練オプションについては、YOLO訓練ドキュメントを参照してください。

はじめに

Ultralytics COCO8データセットは、コンパクトながら強力な物体detectデータセットで、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モデルとトレーニングパイプラインの迅速なテスト、デバッグ、および実験のために特別に設計されています。その小さなサイズは非常に管理しやすく、多様性により、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として機能します。

見る: Ultralytics COCOデータセットの概要

COCO8はUltralytics PlatformおよびYOLO26と完全に互換性があり、コンピュータビジョンワークフローへのシームレスな統合を可能にします。

データセット YAML

COCO8データセットの設定は、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 ファイルの Ultralytics GitHubリポジトリ.

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

使用法

COCO8データセットで画像サイズ640、100エポックでYOLO26nモデルを訓練するには、以下の例を使用してください。訓練オプションの完全なリストについては、YOLO訓練ドキュメントを参照してください。

学習の例

PythonCLI

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)

# Train YOLO26n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640

サンプル画像とアノテーション

以下は、COCO8データセットからのモザイク処理されたトレーニングバッチの例です。

COCO8 検出データセットモザイクトレーニングバッチ

モザイク画像: この画像は、モザイクオーグメンテーションを使用して複数のデータセット画像を結合し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サイズ、アスペクト比、および背景に対してより適切に汎化するのに役立ちます。

この手法は、トレーニング中に各画像の価値を最大化するため、COCO8のような小規模なデータセットにとって特に有用です。

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。

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}
}

COCO Consortiumがコンピュータービジョンコミュニティに継続的に貢献していることに深く感謝いたします。

よくある質問

Ultralytics COCO8データセットは何に使用されますか？

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のために設計されています。わずか8枚の画像（トレーニング用4枚、検証用4枚）で構成されており、より大規模なデータセットにスケールする前に、YOLOトレーニングパイプラインを検証し、すべてが期待通りに機能することを確認するのに理想的です。詳細については、COCO8 YAML設定をご覧ください。