COCO8-Pose データセット

Q: What are the benefits of using the COCO8-Pose dataset?

COCO8-Poseデータセットにはいくつかの利点があります：COCO8-Poseデータセットの特徴や使い方については、データセットの紹介をご覧ください。

はじめに

UltralyticsCOCO8-Pose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ポーズ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とデバッグ、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。

このデータセットは、Ultralytics HUBおよびYOLO11での使用を目的としています。

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

ultralytics/cfg/datasets/coco8-pose.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose  ← 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-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

使用方法

COCO8-PoseデータセットでYOLO11n-pose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-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

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

サンプル画像と注釈

COCO8-Poseデータセットの画像の例と、それに対応するアノテーションを示します：

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つの画像に合成し、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トレーニング時に使用される手法です。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-Pose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ことの利点を示しています。

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

COCO8-Poseデータセットとは何ですか？また、Ultralytics YOLO11でどのように使われていますか？

COCO8-Poseデータセットは、COCO train 2017セットの最初の8枚の画像を含む、小規模で汎用性の高いポーズ検出データセットで、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ます。物体検出モデルのテストやデバッグ、新しい検出アプローチの実験用に設計されています。このデータセットは、Ultralytics YOLO11を使った素早い実験に最適です。データセット設定の詳細については、こちらのデータセットYAMLファイルをご覧ください。

Ultralytics 、COCO8-Pose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-PoseデータセットでYOLO11n-poseモデルを画像サイズ640で100エポック学習させるには、以下の例に従ってください：

列車の例

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

トレーニングの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。

COCO8-Poseデータセットを使うメリットは何ですか？

COCO8-Poseデータセットにはいくつかの利点がある：

コンパクトサイズ：わずか8枚の画像で管理しやすく、迅速な実験に最適です。
多様なデータ：サイズは小さいが、様々なシーンが含まれており、徹底的なパイプラインテストに役立つ。
エラーデバッグ：トレーニングエラーを特定し、より大きなデータセットにスケールアップする前にサニティチェックを行うのに最適です。

その特徴や使い方については、データセット紹介のセクションを参照。

COCO8-Poseデータセットを使ったYOLO11のトレーニングプロセスにおいて、モザイク処理はどのようなメリットがあるのでしょうか？

COCO8-Poseデータセットのサンプル画像で実証されているモザイク処理は、複数の画像を1つに結合し、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します。このテクニックは、様々なオブジェクトのサイズ、アスペクト比、コンテキストに対応するモデルの汎化能力を向上させ、最終的にモデルのパフォーマンスを向上させます。画像の例については、サンプル画像と注釈のセクションを参照してください。