YOLO Vision 2026:
CC BY 4.0

COCO8 データセット#

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 object detection データセットであり、COCO train 2017 セットから最初の 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 モデルとトレーニングパイプラインを用いた迅速なテスト、デバッグ、および実験を行うために特化して設計されています。サイズが小さいため非常に扱いやすく、多様性も確保されているため、より大規模なデータセットへとスケールアップする前の効果的な動作確認（サニティチェック）として機能します。



Watch: Ultralytics COCO Dataset Overview

データセットの構造#

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）で構成されており、YOLO label format で 80 種類の COCO オブジェクト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/

COCO8 on Ultralytics Platform を探索して、アノテーションオーバーレイ付きのすべての画像を表示し、Charts タブでクラス分布とバウンディングボックスのヒートマップを確認し、クラウドで独自のモデルをトレーニングするためにクローンしてください。

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が指定されています。公式の coco8.yaml ファイルは、Ultralytics GitHub repository 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きに自動的にダウンロードされます。画像サイズ 640 で 100 epochs にわたり COCO8 で YOLO26n モデルを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 Training documentation 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)

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。

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}
}

computer vision コミュニティへの継続的な貢献に対して、COCO Consortium に心より感謝いたします。

よくある質問 (FAQ)#

  • Ultralytics COCO8 データセットは、object detection 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）により、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にスケール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理想的です。詳細については、COCO8 YAML configuration をご確認ください。

  • 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：

    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)

    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拡張（Mosaic augmentation）は、各バッチ中に複数の画像を 1 つに結合します。これにより、オブジェクトと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良く汎化できるようになります。モザイク拡張は、各トレーニングステップで利用可能な情報を最大限に活用するため、小規模なデータセットにとって特に価値があります。これの詳細については、training guide 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 のいずれかでモデルの検証コマンドを使用します。これにより、標準的なメトリクスを使用してモデルのパフォーマンスが評価されます。手順についての詳細は、YOLO Validation documentation をご覧ください。

貢献者
GLglenn-jocher17RAraimbekovm4RIRizwanMunawar2PDpderrenger1MAMatthewNoyce1

コメント