COCO128 데이터셋#
소개#
Ultralytics COCO128은 COCO train 2017 세트의 첫 128개 이미지로 구성된 작지만 다용도로 활용할 수 있는 객체 탐지 데이터셋입니다. 이 데이터셋은 객체 탐지 모델을 테스트하고 디버깅하거나 새로운 탐지 접근 방식을 실험하는 데 이상적입니다. 128개의 이미지로 구성되어 있어 쉽게 관리할 수 있을 만큼 작으면서도, 학습 파이프라인의 오류를 테스트하고 더 큰 데이터셋을 학습하기 전에 정상 여부를 확인할 수 있을 만큼 다양합니다.
Watch: Ultralytics COCO Dataset Overview
이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 설계되었습니다.
데이터셋 구조#
COCO128에는 COCO train 2017 세트의 첫 128개 이미지가 포함되어 있으며, 모든 80개 COCO 객체 클래스를 YOLO 레이블 형식으로 다룹니다. 빠른 정상 여부 확인을 위해 동일한 128개 이미지를 학습 및 검증 분할에 모두 사용하므로 데이터셋을 가볍게 유지할 수 있습니다:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/데이터셋 YAML#
YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함됩니다. COCO128 데이터셋의 경우 coco128.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml에서 관리됩니다.
# 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/coco128
# 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.zip사용법#
COCO128 데이터셋(7MB)은 학습을 처음 시작할 때 자동으로 다운로드됩니다. 이미지 크기 640으로 COCO128에서 YOLO26n 모델을 100 에포크 동안 학습하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하십시오.
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)샘플 이미지 및 주석#
다음은 COCO128 데이터셋의 일부 이미지와 해당 주석의 예시입니다:
- 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이를 통해 다양한 객체 크기, 종횡비 및 컨텍스트에 대한 모델의 일반화 성능을 향상할 수 있습니다.
이 예시는 COCO128 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이크 처리를 사용할 때의 이점을 보여줍니다.
인용 및 감사의 글#
연구 또는 개발 작업에서 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:
@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}
}이 귀중한 리소스를 만들고 유지 관리해 주신 COCO Consortium에 감사드립니다. 컴퓨터 비전 커뮤니티를 위해 COCO 데이터셋과 제작자에 대한 자세한 정보를 확인하려면 COCO 데이터셋 웹사이트를 방문하세요.
FAQ#
Ultralytics COCO128 데이터셋은 COCO train 2017 데이터셋의 첫 128개 이미지를 포함하는 소규모 부분집합입니다. 주로 객체 탐지 모델을 테스트하고 디버깅하거나, 새로운 탐지 접근 방식을 실험하고, 더 큰 데이터셋으로 확장하기 전에 학습 파이프라인을 검증하는 데 사용됩니다. 관리하기 쉬운 크기 덕분에 빠르게 반복 작업을 수행할 수 있으면서도 의미 있는 테스트 사례가 되기에 충분한 다양성을 제공합니다.
COCO128 데이터셋에서 YOLO26 모델을 학습하려면 Python 또는 CLI 명령을 사용할 수 있습니다. 방법은 다음과 같습니다:
학습 예제from ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco128.yaml", epochs=100, imgsz=640)추가 학습 옵션과 매개변수는 학습 문서를 참조하십시오.
샘플 이미지에 표시된 것처럼 모자이크 증강은 여러 학습 이미지를 하나의 합성 이미지로 결합합니다. 이 기법은 COCO128로 학습할 때 다음과 같은 여러 이점을 제공합니다:
- 각 학습 배치 내 객체와 컨텍스트의 다양성을 높입니다
- 서로 다른 객체 크기와 종횡비에 대한 모델의 일반화 성능을 향상합니다
- 다양한 스케일의 객체에 대한 탐지 성능을 향상합니다
- 더 다양한 학습 샘플을 생성하여 소규모 데이터셋의 활용도를 극대화합니다
이 기법은 COCO128과 같은 소규모 데이터셋에서 특히 유용하며, 제한된 데이터로부터 모델이 더욱 강건한 특징을 학습하도록 돕습니다.
COCO128(128개 이미지)은 데이터셋 크기 측면에서 COCO8(8개 이미지)과 전체 COCO 데이터셋(118K+개 이미지)의 중간에 해당합니다:
- COCO8: 단 8개의 이미지(학습 4개, 검증 4개)가 포함되어 있어 빠른 테스트와 디버깅에 적합합니다
- COCO128: 128개의 이미지가 포함되어 있어 규모와 다양성 사이의 균형을 제공합니다
- 전체 COCO: 118K+개의 학습 이미지가 포함되어 있어 포괄적이지만 리소스를 많이 사용합니다
COCO128은 COCO8보다 더 많은 다양성을 제공하면서도, 실험과 초기 모델 개발에 전체 COCO 데이터셋보다 훨씬 쉽게 관리할 수 있어 적절한 중간 지점을 제공합니다.