データ集合 COCO8
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
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:
- 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:
@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
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。