Ultralytics YOLO27:
CC BY 4.0

COCO8データセット#

はじめに#

Ultralytics COCO8データセットは、コンパクトでありながら高い性能を持つ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4枚、検証用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、実験向けに特別に設計されています。サイズが小さいため扱いやすく、さらに多様性も備えているため、より大規模なデータセットに拡張する前の効果的なサニティチェックとして利用できます。



Watch: Ultralytics COCO Dataset Overview

データセットの構成#

COCO8は、COCO train 2017セットの最初の8枚の画像（トレーニング用4枚、検証用4枚）で構成され、YOLOラベル形式でCOCOの80種類の物体クラスすべてを網羅しています。

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Ultralytics Platform上のCOCO8を確認すると、アノテーションオーバーレイ付きのすべての画像を閲覧したり、Chartsタブでクラス分布やバウンディングボックスのヒートマップを表示したり、クローンしてクラウド上で独自のモデルをトレーニングしたりできます。

データセット YAML#

COCO8データセットの設定はYAMLファイルで定義されており、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します。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

使用方法#

COCO8データセット（1 MB）は、トレーニングを初めて開始すると自動的にダウンロードされます。画像サイズ640でCOCO8上のYOLO26nモデルを100エポックトレーニングするには、次の例を使用します。トレーニングオプションの完全な一覧については、YOLOトレーニングドキュメントを参照してください。

トレーニング例
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)

サンプル画像とアノテーション#

以下は、COCO8データセットから作成したモザイク処理済みトレーニングバッチの例です。

COCO8 object detection dataset mosaic training batch
  • モザイク処理済み画像：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、各バッチ内の物体やシーンの多様性を高め、さまざまな物体サイズ、アスペクト比、背景に対するモデルの汎化性能を向上させます。

この手法は、トレーニング中に各画像を最大限に活用できるため、COCO8のような小規模なデータセットで特に有効です。

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、次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}
}

コンピュータビジョンコミュニティへの継続的な貢献に対して、COCO Consortiumに心より感謝します。

FAQ#

  • 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向けに設計されています。画像が8枚（トレーニング用4枚、検証用4枚）しかないため、より大規模なデータセットに拡張する前に、YOLOトレーニングパイプラインを検証し、すべてが想定どおりに動作することを確認するのに適しています。詳細については、COCO8 YAML設定を確認してください。

  • PythonまたはCLIを使用して、COCO8上でYOLO26モデルをトレーニングできます。

    トレーニング例
    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)

    追加のトレーニングオプションについては、YOLOトレーニングドキュメントを参照してください。

  • COCO8のトレーニングで使用されるモザイクオーグメンテーションは、各バッチで複数の画像を1枚に結合します。これにより物体や背景の多様性が高まり、YOLOモデルが新しいシナリオに対してより適切に汎化できるようになります。モザイクオーグメンテーションは、各トレーニングステップで利用できる情報を最大限に活用できるため、小規模なデータセットで特に有用です。詳細については、トレーニングガイドを参照してください。

  • COCO8でのトレーニング後にYOLO26モデルを検証するには、PythonまたはCLIでモデルの検証コマンドを使用します。これにより、標準メトリクスを使用してモデルの性能を評価できます。手順を追った説明については、YOLO検証ドキュメントを参照してください。

貢献者
GLglenn-jocher17RAraimbekovm4RIRizwanMunawar2PDpderrenger1MAMatthewNoyce1

コメント