COCO128 데이터 세트

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

샘플 이미지에서 볼 수 있듯이 모자이크 증강은 여러 훈련 이미지를 하나의 합성 이미지로 결합합니다. 이 기법은 COCO128로 학습할 때 몇 가지 이점을 제공합니다. 이 기법은 COCO128과 같은 소규모 데이터 세트에 특히 유용하며 모델이 제한된 데이터에서 보다 강력한 특징을 학습하는 데 도움이 됩니다.

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

COCO128(128개 이미지)은 크기 면에서 COCO8(8개 이미지)과 전체 COCO 데이터 세트(118K+ 이미지) 사이에 위치합니다: COCO128은 실험 및 초기 모델 개발을 위해 전체 COCO 데이터 세트보다 훨씬 더 관리하기 쉬우면서도 COCO8보다 더 많은 다양성을 제공하는 좋은 중간 지점을 제공합니다.

Q: Can I use COCO128 for tasks other than object detection?

COCO128은 주로 물체 감지를 위해 설계되었지만, 데이터 세트의 주석은 다른 컴퓨터 비전 작업에 맞게 조정할 수 있습니다: 세분화와 같은 특수한 작업의 경우, 적절한 어노테이션이 포함된 COCO8-seg와 같은 특수 목적의 변형을 사용하는 것을 고려하세요.

소개

Ultralytics COCO128은 작지만 다용도로 사용할 수 있는 객체 감지 데이터 세트로, COCO 열차 2017 세트의 첫 번째 128개 이미지로 구성되어 있습니다. 이 데이터 세트는 물체 감지 모델을 테스트 및 디버깅하거나 새로운 감지 접근 방식을 실험하는 데 이상적입니다. 128개의 이미지로 구성되어 있어 쉽게 관리할 수 있을 만큼 작지만, 훈련 파이프라인의 오류를 테스트하고 더 큰 데이터 세트를 훈련하기 전에 건전성 검사 역할을 할 수 있을 만큼 다양합니다.

Watch: Ultralytics COCO 데이터 세트 개요

이 데이터 세트는 Ultralytics HUB 및 YOLO11.

데이터 세트 YAML

데이터 세트 구성을 정의하는 데는 YAML(또 다른 마크업 언어) 파일이 사용됩니다. 여기에는 데이터 세트의 경로, 클래스 및 기타 관련 정보에 대한 정보가 포함되어 있습니다. COCO128 데이터 세트의 경우, 데이터 세트의 coco128.yaml 파일은 다음 위치에서 유지됩니다. https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralytics.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: ../datasets/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 크기가 640인 COCO128 데이터 세트에 대해 100개의 에포크에 대해 YOLO11n 모델을 훈련하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하세요.

열차 예시

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="coco128.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

샘플 이미지 및 주석

다음은 COCO128 데이터 세트의 이미지와 해당 주석의 몇 가지 예입니다:

데이터 세트 샘플 이미지

모자이크 이미지: 이 이미지는 모자이크된 데이터 세트 이미지로 구성된 훈련 배치의 예시입니다. 모자이크는 여러 이미지를 하나의 이미지로 결합하여 각 훈련 배치 내에서 다양한 개체와 장면을 늘리기 위해 훈련 중에 사용되는 기술입니다. 이를 통해 다양한 객체 크기, 종횡비 및 컨텍스트에 일반화하는 모델의 능력을 향상시킬 수 있습니다.

이 예는 COCO128 데이터 세트에 포함된 이미지의 다양성과 복잡성, 그리고 훈련 과정에서 모자이킹을 사용할 때의 이점을 보여줍니다.

인용 및 감사

연구 또는 개발 작업에 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

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}
}

컴퓨터 비전 커뮤니티를 위해 이 귀중한 리소스를 만들고 유지 관리해 주신 COCO 컨소시엄에 감사의 말씀을 드립니다. COCO 데이터 세트 및 제작자에 대한 자세한 내용은 COCO 데이터 세트 웹사이트를 참조하세요.

자주 묻는 질문

Ultralytics COCO128 데이터 세트는 어떤 용도로 사용되나요?

Ultralytics COCO128 데이터 세트는 COCO train 2017 데이터 세트의 첫 128개 이미지를 포함하는 컴팩트한 하위 집합입니다. 주로 객체 감지 모델을 테스트 및 디버깅하고, 새로운 감지 접근 방식을 실험하고, 더 큰 데이터 세트로 확장하기 전에 훈련 파이프라인을 검증하는 데 사용됩니다. 관리하기 쉬운 크기로 빠른 반복에 적합하면서도 의미 있는 테스트 사례가 될 만큼 충분한 다양성을 제공합니다.