Meet YOLO26: next-gen vision AI.

Link to this sectionCOCO8 데이터셋#

Link to this section소개#

Ultralytics COCO8 데이터셋은 객체 탐지를 위한 작지만 강력한 데이터셋으로, COCO train 2017 세트의 첫 8개 이미지(학습용 4개, 검증용 4개)로 구성되어 있습니다. 이 데이터셋은 YOLO 모델과 학습 파이프라인의 빠른 테스트, 디버깅 및 실험을 위해 특별히 설계되었습니다. 크기가 작아 관리가 매우 용이하며, 데이터가 다양하여 더 큰 데이터셋으로 확장하기 전 효과적인 건전성 검사 도구로 활용됩니다.



Watch: Ultralytics COCO Dataset Overview

COCO8은 Ultralytics Platform 및 YOLO26과 완전히 호환되므로, 컴퓨터 비전 워크플로우에 원활하게 통합할 수 있습니다.

Link to this section데이터셋 YAML#

The COCO8 dataset configuration is defined in a YAML (Yet Another Markup Language) file, which specifies dataset paths, class names, and other essential metadata. You can review the official coco8.yaml file in the Ultralytics GitHub repository.

ultralytics/cfg/datasets/coco8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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: 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

Link to this section사용법#

COCO8 데이터셋에서 640 이미지 크기로 100 에포크(epochs) 동안 YOLO26n 모델을 학습하려면 다음 예시를 사용하십시오. 전체 학습 옵션 목록은 YOLO 학습 문서를 참조하십시오.

훈련 예제
from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Link to this section샘플 이미지 및 주석#

다음은 COCO8 데이터셋에서 모자이크 처리된 학습 배치 예시입니다:

COCO8 object detection dataset mosaic training batch
  • 모자이크 이미지: 이 이미지는 모자이크 증강을 사용하여 여러 데이터셋 이미지를 결합한 학습 배치를 보여줍니다. 모자이크 증강은 각 배치 내 객체와 장면의 다양성을 높여 모델이 다양한 객체 크기, 종횡비 및 배경에 더 잘 일반화되도록 돕습니다.

이 기술은 COCO8과 같은 소규모 데이터셋에 특히 유용하며, 학습 중 각 이미지의 가치를 극대화합니다.

Link to this section인용 및 감사의 글#

연구나 개발에 COCO 데이터셋을 사용하는 경우, 다음 논문을 인용해 주십시오:

인용
@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}
}

Special thanks to the COCO Consortium for their ongoing contributions to the computer vision community.

Link to this sectionFAQ#

Link to this sectionUltralytics COCO8 데이터셋은 무엇에 사용됩니까?#

Ultralytics COCO8 데이터셋은 객체 탐지 모델의 빠른 테스트와 디버깅을 위해 설계되었습니다. 단 8개의 이미지(학습용 4개, 검증용 4개)로 구성되어 있어 YOLO 학습 파이프라인을 검증하고, 더 큰 데이터셋으로 확장하기 전 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 자세한 내용은 COCO8 YAML 구성을 살펴보십시오.

Link to this sectionCOCO8 데이터셋을 사용하여 YOLO26 모델을 어떻게 학습합니까?#

Python 또는 CLI를 사용하여 COCO8에서 YOLO26 모델을 학습할 수 있습니다:

훈련 예제
from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

추가 학습 옵션은 YOLO 학습 문서를 참조하십시오.

Link to this sectionCOCO8 학습 관리에 왜 Ultralytics Platform을 사용해야 합니까?#

Ultralytics Platform은 COCO8을 포함한 YOLO 모델의 데이터셋 관리, 학습 및 배포를 간소화합니다. 클라우드 학습, 실시간 모니터링, 직관적인 데이터셋 처리와 같은 기능을 통해 한 번의 클릭으로 실험을 시작할 수 있으며 수동 설정의 번거로움을 없애줍니다. Ultralytics Platform이 어떻게 컴퓨터 비전 프로젝트를 가속화할 수 있는지 자세히 알아보십시오.

Link to this sectionCOCO8 데이터셋으로 학습할 때 모자이크 증강을 사용하면 어떤 이점이 있습니까?#

COCO8 학습에 사용되는 모자이크 증강은 각 배치마다 여러 이미지를 하나로 결합합니다. 이는 객체와 배경의 다양성을 높여 YOLO 모델이 새로운 시나리오에 더 잘 일반화되도록 돕습니다. 모자이크 증강은 각 학습 단계에서 사용할 수 있는 정보를 극대화하므로 소규모 데이터셋에 특히 유용합니다. 자세한 내용은 학습 가이드를 참조하십시오.

Link to this sectionCOCO8 데이터셋으로 학습된 YOLO26 모델을 어떻게 검증합니까?#

COCO8에서 학습 후 YOLO26 모델을 검증하려면 Python 또는 CLI에서 모델의 검증 명령을 사용하십시오. 이는 표준 지표를 사용하여 모델의 성능을 평가합니다. 단계별 지침은 YOLO 검증 문서를 방문하십시오.

기여자
GLglenn-jocher14RIRizwanMunawar2MAMatthewNoyce1

댓글