COCO128 데이터셋

Q: What is the Ultralytics COCO128 dataset used for?

Ultralytics COCO128 데이터셋은 COCO train 2017 데이터셋의 첫 128개 이미지를 포함하는 소형 서브셋입니다. 주로 객체 detect 모델 테스트 및 디버깅, 새로운 detect 접근 방식 실험, 그리고 더 큰 데이터셋으로 확장하기 전에 훈련 파이프라인 유효성 검사에 사용됩니다. 관리하기 쉬운 크기 덕분에 빠른 반복 작업에 적합하며, 동시에 의미 있는 테스트 케이스가 될 수 있는 충분한 다양성을 제공합니다.

Q: What are the benefits of using mosaic augmentation with COCO128?

sample_images에 표시된 것처럼, 모자이크 증강은 여러 훈련 이미지를 하나의 합성 이미지로 결합합니다. 이 기술은 COCO128로 훈련할 때 여러 이점을 제공합니다. 이 기술은 COCO128과 같은 소규모 데이터셋에 특히 유용하며, 모델이 제한된 데이터로부터 더 강력한 특징을 학습하도록 돕습니다.

Q: How does COCO128 compare to other COCO dataset variants?

크기 면에서 COCO128 (128개 이미지)은 COCO8 (8개 이미지)과 전체 COCO 데이터셋 (11만 8천 개 이상 이미지) 사이에 위치합니다. COCO128은 COCO8보다 더 많은 다양성을 제공하면서도, 실험 및 초기 모델 개발을 위해 전체 COCO 데이터셋보다 훨씬 더 관리하기 용이한 좋은 중간 지점을 제공합니다.

소개

Ultralytics COCO128은(는) COCO train 2017 세트의 처음 128개 이미지로 구성된 작지만 다재다능한 객체 탐지 데이터 세트입니다. 이 데이터 세트는 객체 탐지 모델을 테스트하고 디버깅하거나 새로운 탐지 접근 방식을 실험하는 데 이상적입니다. 128개의 이미지가 있어 쉽게 관리할 수 있을 만큼 작지만 오류에 대한 훈련 파이프라인을 테스트하고 더 큰 데이터 세트를 훈련하기 전에 건전성 검사 역할을 할 수 있을 만큼 다양합니다.

참고: Ultralytics COCO 데이터셋 개요

이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 고안되었습니다.

데이터세트 YAML

데이터셋 구성을 정의하는 데 yaml(Yet Another Markup Language) 파일이 사용됩니다. 이 파일에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. COCO128 데이터셋의 경우, coco128.yaml 파일은 다음 위치에서 관리됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralytics/cfg/datasets/coco128.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128.zip

사용법

이미지 크기 640으로 COCO128 데이터셋에서 100 epochs 동안 YOLO26n 모델을 훈련시키려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 훈련 페이지를 참조하십시오.

훈련 예제

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo26n.pt epochs=100 imgsz=640

샘플 이미지 및 주석

다음은 COCO128 데이터셋의 이미지 예시와 해당 주석입니다:

COCO128 탐지 데이터셋 모자이크 훈련 배치

모자이크 이미지: 이 이미지는 모자이크 데이터 세트 이미지로 구성된 훈련 배치를 보여줍니다. 모자이킹은 각 훈련 배치 내에서 객체와 장면의 다양성을 높이기 위해 여러 이미지를 단일 이미지로 결합하는 훈련 중 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 컨텍스트로 일반화하는 능력을 향상시키는 데 도움이 됩니다.

이 예시는 COCO128 데이터셋 이미지의 다양성과 복잡성 및 훈련 과정에서 모자이킹을 사용하는 이점을 보여줍니다.

인용 및 감사의 말씀

연구 또는 개발 작업에서 COCO 데이터셋을 사용하는 경우, 다음 논문을 인용해 주십시오.

BibTeX

@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}
}

저희는 컴퓨터 비전 커뮤니티를 위해 이 귀중한 리소스를 만들고 유지보수해 준 COCO 컨소시엄에 감사를 표합니다. COCO 데이터셋 및 그 생성자에 대한 자세한 정보는 COCO 데이터셋 웹사이트를 방문하십시오.

FAQ

Ultralytics COCO128 데이터셋은 무엇에 사용되나요?

Ultralytics COCO128 데이터셋은 COCO train 2017 데이터셋에서 처음 128개 이미지를 포함하는 소형 서브셋입니다. 주로 객체 detect 모델 테스트 및 디버깅, 새로운 detect 접근 방식 실험, 그리고 더 큰 데이터셋으로 확장하기 전에 훈련 파이프라인을 검증하는 데 사용됩니다. 관리하기 쉬운 크기 덕분에 빠른 반복 작업에 적합하며, 동시에 의미 있는 테스트 케이스가 될 만큼 충분한 다양성을 제공합니다.