COCO8 데이터셋
소개
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 모델 및 학습 파이프라인의 신속한 테스트, 디버깅 및 실험을 위해 특별히 설계되었습니다. 크기가 작아 관리가 매우 용이하며, 데이터의 다양성을 갖추고 있어 더 큰 데이터셋으로 확장하기 전에 효과적인 상태 점검(sanity check)을 수행할 수 있습니다.
Watch: Ultralytics COCO Dataset Overview
COCO8은 Ultralytics Platform 및 YOLO26과 완벽하게 호환되어 컴퓨터 비전 워크플로우에 원활하게 통합할 수 있습니다.
데이터셋 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 🚀 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 데이터셋에서 YOLO26n 모델을 640 이미지 크기로 100 에폭 동안 학습하려면 다음 예시를 사용하십시오. 전체 학습 옵션 목록은 YOLO 학습 문서를 참조하십시오.
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 예시입니다:
- 모자이크 이미지: 이 이미지는 모자이크 증강을 사용하여 여러 데이터셋 이미지를 결합한 학습 배치를 보여줍니다. 모자이크 증강은 각 배치 내 객체와 장면의 다양성을 증가시켜 모델이 다양한 객체 크기, 가로세로 비율 및 배경에 대해 더 잘 일반화하도록 돕습니다.
이 기법은 COCO8과 같은 소규모 데이터셋에 특히 유용하며, 학습 중 각 이미지의 가치를 극대화합니다.
인용 및 감사의 글
연구나 개발에 COCO 데이터셋을 사용하는 경우, 다음 논문을 인용해 주십시오:
@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.
FAQ
Ultralytics COCO8 데이터셋은 어디에 사용되나요?
Ultralytics COCO8 데이터셋은 객체 탐지 모델의 신속한 테스트 및 디버깅을 위해 설계되었습니다. 단 8개의 이미지(학습용 4개, 검증용 4개)로 구성되어 있어 YOLO 학습 파이프라인을 검증하고 더 큰 데이터셋으로 확장하기 전에 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 자세한 내용은 COCO8 YAML 구성을 확인하십시오.
COCO8 데이터셋을 사용하여 YOLO26 모델을 어떻게 학습시키나요?
Python 또는 CLI를 사용하여 COCO8에서 YOLO26 모델을 학습시킬 수 있습니다:
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 학습 관리에 Ultralytics Platform을 사용해야 하는 이유는 무엇인가요?
Ultralytics Platform은 COCO8을 포함한 YOLO 모델의 데이터셋 관리, 학습 및 배포를 간소화합니다. 클라우드 학습, 실시간 모니터링, 직관적인 데이터셋 처리와 같은 기능을 통해 HUB를 사용하면 클릭 한 번으로 실험을 시작할 수 있으며 수동 설정의 번거로움을 제거할 수 있습니다. Ultralytics Platform이 어떻게 컴퓨터 비전 프로젝트를 가속화할 수 있는지 자세히 알아보십시오.
COCO8 데이터셋으로 학습할 때 모자이크 증강을 사용하면 어떤 이점이 있나요?
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 소규모 데이터셋에 특히 유용하며, 각 학습 단계에서 활용 가능한 정보를 극대화합니다. 자세한 내용은 학습 가이드를 참조하십시오.
COCO8 데이터셋으로 학습된 YOLO26 모델을 어떻게 검증할 수 있나요?
COCO8에서 학습을 마친 후 YOLO26 모델을 검증하려면 Python 또는 CLI에서 모델의 검증 명령어를 사용하십시오. 이를 통해 표준 지표를 사용하여 모델의 성능을 평가할 수 있습니다. 단계별 지침은 YOLO 검증 문서를 방문하십시오.