Ultralytics YOLO27:
CC BY 4.0

COCO8 데이터셋#

소개#

Ultralytics COCO8 데이터셋은 작지만 강력한 객체 탐지 데이터셋으로, COCO train 2017 세트의 처음 8개 이미지로 구성됩니다. 이 중 4개는 학습용이고 4개는 검증용입니다. 이 데이터셋은 YOLO 모델과 학습 파이프라인을 신속하게 테스트하고 디버깅하며 실험할 수 있도록 특별히 설계되었습니다. 크기가 작아 관리하기 쉽고, 다양한 데이터로 구성되어 있어 더 큰 데이터셋으로 확장하기 전에 효과적인 정상 작동 검증 도구로 활용할 수 있습니다.



Watch: Ultralytics COCO Dataset Overview

데이터셋 구조#

COCO8은 COCO train 2017 세트의 처음 8개 이미지로 구성되며, 이 중 4개는 학습용이고 4개는 검증용입니다. 또한 YOLO 레이블 형식으로 COCO의 80개 객체 클래스 전체를 포함합니다.

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Ultralytics Platform의 COCO8을 살펴보면 모든 이미지와 해당 annotation 오버레이를 확인하고, Charts 탭에서 클래스 분포와 바운딩 박스 히트맵을 확인할 수 있으며, 이를 복제하여 클라우드에서 자체 모델을 학습할 수도 있습니다.

데이터셋 YAML#

COCO8 데이터셋 구성은 YAML 파일에 정의되어 있으며, 이 파일에는 데이터셋 경로, 클래스 이름 및 기타 필수 메타데이터가 지정되어 있습니다. Ultralytics GitHub 리포지토리에서 공식 coco8.yaml 파일을 확인할 수 있습니다.

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

사용법#

COCO8 데이터셋(1 MB)은 학습을 처음 시작할 때 자동으로 다운로드됩니다. 다음 예제와 같이 이미지 크기 640으로 COCO8에서 YOLO26n 모델을 100 에포크 동안 학습할 수 있습니다. 전체 학습 옵션 목록은 YOLO 학습 문서를 참조하십시오.

학습 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)

샘플 이미지 및 주석#

다음은 COCO8 데이터셋의 모자이크 처리된 학습 배치 예제입니다.

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

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

인용 및 감사의 글#

연구 또는 개발에 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오.

인용문
@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}
}

지속적으로 컴퓨터 비전 커뮤니티에 기여해 주시는 COCO Consortium에 특별히 감사드립니다.

FAQ#

  • Ultralytics COCO8 데이터셋은 객체 탐지 모델을 신속하게 테스트하고 디버깅할 수 있도록 설계되었습니다. 이미지가 8개뿐이며(학습용 4개, 검증용 4개), 더 큰 데이터셋으로 확장하기 전에 YOLO 학습 파이프라인을 검증하고 모든 것이 예상대로 작동하는지 확인하는 데 적합합니다. 자세한 내용은 COCO8 YAML 구성을 살펴보십시오.

  • Python 또는 CLI를 사용하여 COCO8에서 YOLO26 모델을 학습할 수 있습니다.

    학습 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.

  • COCO8 학습에서 사용하는 모자이크 augmentation은 각 배치에서 여러 이미지를 하나로 결합합니다. 이를 통해 객체와 배경의 다양성이 증가하여 YOLO 모델이 새로운 시나리오에 더 잘 일반화할 수 있습니다. 모자이크 augmentation은 각 학습 단계에서 사용할 수 있는 정보를 극대화하므로 소규모 데이터셋에 특히 유용합니다. 자세한 내용은 학습 가이드를 참조하십시오.

  • COCO8에서 학습한 후 YOLO26 모델을 검증하려면 Python 또는 CLI에서 모델의 검증 명령을 사용하십시오. 이를 통해 표준 메트릭을 사용하여 모델의 성능을 평가할 수 있습니다. 단계별 지침은 YOLO 검증 문서를 참조하십시오.

기여자
GLglenn-jocher17RAraimbekovm4RIRizwanMunawar2PDpderrenger1MAMatthewNoyce1

댓글