COCO-Pose 데이터셋#

58,931

COCO 2017 Pose

ultralytics

publicPose

COCO 2017 Pose is the canonical human-keypoint benchmark, labeling person instances with 17 body landmarks in everyday scenes. It covers varied poses, scales, crowding, truncation, and occlusion for standardized articulated-human pose estimation.

1 class5.6 GBSep 2, 2026

person

pose-estimationcocococo2017+2

COCO-Pose 데이터셋은 COCO(문맥 속 객체)를 포즈 추정용으로 변환한 것으로, COCO Keypoints 2017의 이미지 58,945개에 17개 키포인트 스키마를 사용하여 사람 156,165명이 주석 처리되어 있습니다. Ultralytics YOLO26과 같은 키포인트 모델의 학습 및 벤치마킹을 위한 표준 세트이며, 8개 이미지로 구성된 COCO8-Pose 서브셋은 빠른 정상성 검사를 위해 동일한 형식을 사용합니다.

COCO-Pose 사전 학습 모델#

주요 기능#

• COCO-Pose는 COCO Keypoints 2017 챌린지를 기반으로 하며, 주석 처리된 사람 156,165명에 대해 개별 키포인트 1,710,498개를 라벨링합니다.
• 각 사람 주석은 코, 눈, 귀, 어깨, 팔꿈치, 손목, 엉덩이, 무릎, 발목으로 구성된 17가지 키포인트 유형을 사용하며, (x, y, visibility) 트리플릿으로 저장됩니다.
• COCO와 마찬가지로 포즈 추정 작업을 위한 Object Keypoint Similarity(OKS)를 비롯한 표준화된 평가 지표를 제공하므로 모델 성능을 비교하는 데 적합합니다.
• 다운로드 크기: 처음 사용할 때 ~20.2 GB(train2017.zip + val2017.zip + 라벨)입니다. 7 GB 크기의 test2017.zip는 해당 이미지에 ground truth가 제공되지 않으며 test-dev2017 제출에만 필요하므로 자동으로 가져오지 않습니다.

데이터셋 구조#

학습 및 검증을 위해 COCO-Pose에는 키포인트가 주석 처리된 사람이 포함된 COCO 2017 이미지만 포함되므로, 라벨이 지정된 분할은 전체 COCO보다 작습니다. YAML은 세 가지 서브셋을 정의합니다.

1. Train2017: 이 서브셋에는 포즈 추정 모델 학습을 위해 주석 처리된 COCO 데이터셋 이미지 56,599개가 포함되어 있습니다.
2. Val2017: 이 서브셋에는 모델 학습 중 검증에 사용되는 이미지 2,346개가 포함되어 있습니다.
3. Test-dev2017: 전체 40,670개 test2017 세트 중 ground truth가 제공되지 않은 이미지 20,288개로 구성된 서브셋입니다. 데이터셋 YAML은 이 분할을 COCO test-dev 키포인트 평가 서버에 연결합니다.

이 규모의 학습에서 Ultralytics Platform이 가장 큰 도움을 제공합니다. 자체 GPU를 프로비저닝하지 않고도 실행을 시작하고 모니터링할 수 있도록 컴퓨팅 리소스를 관리합니다.

응용 분야#

COCO-Pose 데이터셋은 키포인트 검출 및 포즈 추정을 위한 딥 러닝 모델의 학습과 평가에 사용됩니다. 주석 처리된 이미지가 많고 표준화된 평가 지표를 제공하므로, 사람 포즈를 연구하는 컴퓨터 비전 연구자와 실무자에게 필수적인 리소스입니다.

데이터셋 YAML#

YAML 파일은 데이터셋 구성을 정의하는 데 사용됩니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함됩니다. COCO-Pose 데이터셋의 경우 coco-pose.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml에 유지 관리됩니다.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 Keypoints dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/pose/coco
# Example usage: yolo train data=coco-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco-pose ← downloads here (20.2 GB)

# 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: coco-pose # dataset root dir
train: train2017.txt # train images (relative to 'path') 56599 images
val: val2017.txt # val images (relative to 'path') 2346 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://codalab.lisn.upsaclay.fr/competitions/7403

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  dir = Path(yaml["path"])  # dataset root dir

  urls = [f"{ASSETS_URL}/coco2017labels-pose.zip"]
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the CodaLab test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

사용법#

이미지 크기 640으로 COCO-Pose 데이터셋에서 YOLO26n-pose 모델을 100개 에포크 동안 학습하려면 다음 코드 스니펫을 사용할 수 있습니다. 사용 가능한 인수의 전체 목록은 모델 학습 페이지를 참조하십시오.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)

샘플 이미지 및 주석#

COCO-Pose 데이터셋에는 키포인트가 주석 처리된 사람 형상의 다양한 이미지가 포함되어 있습니다. 다음은 해당 주석과 함께 데이터셋 이미지의 몇 가지 예시입니다.

• 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이를 통해 다양한 객체 크기, 종횡비 및 컨텍스트에 대한 모델의 일반화 성능을 향상할 수 있습니다.

이 예시는 COCO-Pose 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이킹을 사용하는 이점을 보여줍니다.

인용 및 감사의 글#

연구 또는 개발 작업에서 COCO-Pose 데이터셋을 사용하는 경우 다음 논문을 인용하십시오.

@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 제작하고 유지 관리한 COCO Consortium에 감사드립니다. COCO-Pose 데이터셋과 제작자에 대한 자세한 내용은 COCO 데이터셋 웹사이트를 방문하십시오.

FAQ#