COCO8 데이터셋#
소개#
Ultralytics COCO8 데이터셋은 작지만 강력한 객체 탐지 데이터셋으로, COCO train 2017 세트의 첫 8개 이미지로 구성되며 학습용 4장과 검증용 4장으로 나뉩니다. 이 데이터셋은 YOLO 모델 및 학습 파이프라인을 빠르게 테스트하고 디버깅하며 실험할 수 있도록 특별히 설계되었습니다. 크기가 작아 관리하기 쉽고, 다양성이 있어 더 큰 데이터셋으로 확장하기 전에 효과적으로 정상 동작을 확인할 수 있습니다.
시청: Ultralytics COCO 데이터셋 개요
데이터셋 구조#
COCO8은 COCO train 2017 세트의 첫 8개 이미지로 구성되며, 학습용 4장과 검증용 4장으로 나뉩니다. 이 이미지에는 YOLO 레이블 형식에 따라 80개의 COCO 클래스 이름이 레이블링되어 있습니다:
coco8/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── labels/
├── train/
└── val/Ultralytics Platform에서 COCO8 살펴보기를 통해 어노테이션 오버레이가 포함된 각 이미지를 확인하고, Charts 탭에서 클래스 분포와 바운딩 박스 히트맵을 살펴보고, 데이터셋을 복제해 클라우드에서 자체 모델을 학습할 수 있습니다.
데이터셋 YAML#
COCO8 데이터셋 구성은 데이터셋 경로, 클래스 이름 및 기타 필수 메타데이터를 지정하는 YAML 파일에 정의되어 있습니다. 공식 coco8.yaml 파일은 Ultralytics GitHub 저장소에서 확인할 수 있습니다.
# 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.zip사용법#
COCO8 데이터셋(1 MB)은 학습을 처음 시작할 때 자동으로 다운로드됩니다. 이미지 크기 640으로 COCO8에서 YOLO26n 모델을 100 에포크 동안 학습하려면 다음 예제를 사용하세요. 학습 옵션의 전체 목록은 YOLO 학습 문서를 참조하세요.
from ultralytics import YOLO
# 사전 학습된 YOLO26n 모델 로드
model = YOLO("yolo26n.pt")
# COCO8에서 모델 학습
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)샘플 이미지 및 어노테이션#
다음은 COCO8 데이터셋의 모자이크 학습 배치 예입니다:
- 모자이크 이미지: 이 이미지는 여러 데이터셋 이미지를 모자이크 증강으로 결합한 학습 배치를 보여줍니다. 모자이크 증강은 각 배치에 포함되는 객체와 장면의 다양성을 높여 모델이 다양한 객체 크기, 종횡비 및 배경에 더 잘 일반화하도록 돕습니다.
이 기법은 COCO8처럼 작은 데이터셋에서 특히 유용하며, 학습 중 각 이미지의 활용도를 극대화합니다.
인용 및 감사의 글#
연구 또는 개발 과정에서 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}
}지속적으로 컴퓨터 비전 커뮤니티에 기여해 주시는 COCO 컨소시엄에 특별히 감사드립니다.
자주 묻는 질문#
Ultralytics COCO8 데이터셋은 객체 탐지 모델을 빠르게 테스트하고 디버깅하도록 설계되었습니다. 이미지가 8장(학습용 4장, 검증용 4장)뿐이므로, 대규모 데이터셋으로 확장하기 전에 YOLO 학습 파이프라인을 검증하고 모든 것이 예상대로 작동하는지 확인하는 데 적합합니다. 자세한 내용은 COCO8 YAML 구성을 살펴보세요.
Python 또는 CLI를 사용해 COCO8에서 YOLO26 모델을 학습할 수 있습니다:
학습 예제from ultralytics import YOLO # 사전 학습된 YOLO26n 모델 로드 model = YOLO("yolo26n.pt") # COCO8에서 모델 학습 results = model.train(data="coco8.yaml", epochs=100, imgsz=640)추가 학습 옵션은 YOLO 학습 문서를 참조하세요.
COCO8에서 학습한 후 YOLO26 모델을 검증하려면 Python 또는 CLI에서 모델 검증 명령을 사용하세요. 이 명령은 표준 지표를 사용해 모델 성능을 평가합니다. 단계별 지침은 YOLO 검증 문서에서 확인하세요.