データ集合 COCO8

Q: How do I train a YOLO11 model using the COCO8 dataset?

COCO8データセットを使ってYOLO11 モデルを学習するには、Python またはCLI コマンドを使用します。ここではその方法を説明する：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のページを参照してください。

はじめに

UltralyticsCOCO8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）で構成される、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。8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ほど多様です。

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。COCO8データセットの場合は coco8.yaml ファイルは https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.

ultralytics/cfg/datasets/coco8.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

PythonCLI

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="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

サンプル画像と注釈

COCO8データセットの画像の例を、対応するアノテーションとともに紹介する：

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、COCO8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紹介しています。

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：

ビブテックス

@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 COCO8データセットは何に使われているのですか？

Ultralytics COCO8データセットは、COCO train 2017セットの最初の8枚の画像で構成される、コンパクトでありながら多用途な物体検出データセットであり、トレーニング用に4枚、検証用に4枚の画像が含まれている。これは、物体検出モデルのテストとデバッグ、および新しい検出アプローチの実験用に設計されています。COCO8はサイズが小さいにもかかわらず、より大きなデータセットをデプロイする前に、トレーニングパイプライン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提供します。詳細はCOCO8データセットをご覧ください。

COCO8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？

COCO8データセットを使ってYOLO11 モデルを学習するには、Python またはCLI コマンドを使用します。以下はその方法である：

列車の例

PythonCLI

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="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

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。

なぜCOCO8トレーニングの管理にUltralytics HUBを使う必要があるのですか？

Ultralytics HUBは、COCO8データセット上のUltralytics YOLO11 モデルを含むYOLO モデルのトレーニングと展開を簡素化するために設計されたオールインワンのウェブツールである。クラウドトレーニング、リアルタイムトラッキング、シームレスなデータセット管理を提供します。HUBは、ワンクリックでトレーニングを開始でき、手動セットアップの複雑さを回避します。Ultralytics HUBとその利点の詳細をご覧ください。

COCO8データセットのトレーニングでモザイク補強を使用する利点は何ですか？

COCO8データセットで実証されたモザイク補強は、トレーニング中に複数の画像を1つの画像に合成する。この手法により、各トレーニングバッチ内のオブジェクトとシーンの種類が増え、異なるオブジェクトサイズ、アスペクト比、コンテクストにまたがるモデルの汎化能力が向上する。その結果、よりロバストな物体検出モデルが得られる。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データセットで学習したYOLO11 モデルを検証するにはどうすればよいですか？

COCO8データセットで学習したYOLO11 モデルの検証は、モデルの検証コマンドを使用して実行できます。CLI またはPython スクリプトを使って検証モードを起動し、正確なメトリクスを使ってモデルのパフォーマンスを評価することができます。詳細な手順については、検証のページをご覧ください。

📅作成：1年前 ✏️更新しました 2ヶ月前