Meet YOLO26: next-gen vision AI.

Link to this sectionCOCO8-Pose 데이터셋#

Link to this section소개#

Ultralytics COCO8-Pose는 COCO train 2017 세트의 첫 8개 이미지로 구성된 작지만 다재다능한 포즈 감지 데이터셋으로, 4개는 학습용, 4개는 검증용입니다. 이 데이터셋은 객체 감지 모델을 테스트 및 디버깅하거나 새로운 감지 접근 방식을 실험하는 데 이상적입니다. 8개의 이미지로 구성되어 관리가 쉬우면서도, 학습 파이프라인의 오류를 테스트하고 더 큰 데이터셋을 학습하기 전 무결성 검사를 수행하기에 충분히 다양합니다.

Link to this section데이터셋 구조#

  • 전체 이미지: 8개 (학습 4개 / 검증 4개).
  • 클래스: 1개 (사람), 주석당 17개의 키포인트.
  • 권장 디렉토리 구조: datasets/coco8-pose/images/{train,val} 및 datasets/coco8-pose/labels/{train,val}이며, YOLO 형식의 키포인트는 .txt 파일로 저장됩니다.

이 데이터셋은 Ultralytics Platform 및 YOLO26과 함께 사용하도록 의도되었습니다.

Link to this section데이터셋 YAML#

데이터셋 구성은 YAML(Yet Another Markup Language) 파일을 사용하여 정의합니다. 여기에는 데이터셋의 경로, 클래스 및 기타 관련 정보가 포함되어 있습니다. COCO8-Pose 데이터셋의 경우 coco8-pose.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml에서 유지 관리되고 있습니다.

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

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← 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-pose # 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)

# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Link to this section사용법#

COCO8-Pose 데이터셋에서 100 에폭(epoch) 동안 이미지 크기 640으로 YOLO26n-pose 모델을 학습하려면 다음 코드 스니펫을 사용하십시오. 사용 가능한 인수에 대한 자세한 목록은 모델 학습(Training) 페이지를 참조하십시오.

훈련 예제
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="coco8-pose.yaml", epochs=100, imgsz=640)

Link to this section샘플 이미지 및 주석#

다음은 COCO8-Pose 데이터셋 이미지와 그에 해당하는 주석의 몇 가지 예시입니다:

COCO8-pose keypoint estimation dataset mosaic
  • 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이킹은 학습 중에 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치 내의 객체와 장면의 다양성을 높이는 데 사용되는 기술입니다. 이는 모델이 다양한 객체 크기, 종횡비 및 맥락에 일반화할 수 있는 능력을 향상시키는 데 도움이 됩니다.

이 예시는 COCO8-Pose 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이크 처리를 사용할 때의 이점을 보여줍니다.

Link to this section인용 및 감사의 글#

연구나 개발 작업에서 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}
}

컴퓨터 비전 커뮤니티를 위해 이 귀중한 리소스를 만들고 유지 관리해 주는 COCO 컨소시엄에 감사드립니다. COCO 데이터셋과 제작자에 대한 자세한 내용은 COCO 데이터셋 웹사이트를 방문하십시오.

Link to this sectionFAQ#

Link to this sectionCOCO8-Pose 데이터셋이란 무엇이며 Ultralytics YOLO26에서는 어떻게 사용됩니까?#

COCO8-Pose 데이터셋은 COCO train 2017 세트의 첫 8개 이미지(학습용 4개, 검증용 4개)를 포함하는 작고 다재다능한 포즈 감지 데이터셋입니다. 이 데이터셋은 객체 감지 모델을 테스트 및 디버깅하고 새로운 감지 접근 방식을 실험하기 위해 설계되었습니다. Ultralytics YOLO26을 사용한 빠른 실험에 이상적입니다. 데이터셋 구성에 대한 자세한 내용은 데이터셋 YAML 파일을 확인하십시오.

Link to this sectionUltralytics에서 COCO8-Pose 데이터셋을 사용하여 YOLO26 모델을 학습하려면 어떻게 해야 합니까?#

COCO8-Pose 데이터셋에서 100 에폭 동안 이미지 크기 640으로 YOLO26n-pose 모델을 학습하려면 다음 예시를 따르십시오:

훈련 예제
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

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

학습 인수에 대한 전체 목록은 모델 Training 페이지를 참조하십시오.

Link to this sectionCOCO8-Pose 데이터셋을 사용하면 어떤 이점이 있습니까?#

COCO8-Pose 데이터셋은 다음과 같은 몇 가지 이점을 제공합니다:

  • 컴팩트한 크기: 8개의 이미지만 포함되어 있어 관리가 쉽고 빠른 실험에 완벽합니다.
  • 다양한 데이터: 작은 크기임에도 불구하고 다양한 장면을 포함하고 있어 철저한 파이프라인 테스트에 유용합니다.
  • 오류 디버깅: 학습 오류를 식별하고 더 큰 데이터셋으로 확장하기 전에 무결성 검사를 수행하는 데 이상적입니다.

특징 및 사용법에 대한 자세한 내용은 데이터셋 소개 섹션을 참조하십시오.

Link to this section모자이크 처리는 COCO8-Pose 데이터셋을 사용하는 YOLO26 학습 과정에 어떤 도움이 됩니까?#

COCO8-Pose 데이터셋의 샘플 이미지에서 볼 수 있는 모자이크 처리는 여러 이미지를 하나로 결합하여 각 학습 배치 내의 객체와 장면의 다양성을 높입니다. 이 기법은 다양한 객체 크기, 가로세로 비율 및 상황에 걸쳐 모델의 일반화 능력을 향상시키며 궁극적으로 모델 성능을 높이는 데 도움이 됩니다. 예시 이미지는 샘플 이미지 및 주석 섹션을 참조하십시오.

Link to this sectionCOCO8-Pose 데이터셋 YAML 파일은 어디에서 찾을 수 있으며 어떻게 사용합니까?#

COCO8-Pose 데이터셋 YAML 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml에서 찾을 수 있습니다. 이 파일은 경로, 클래스 및 기타 관련 정보를 포함하여 데이터셋 구성을 정의합니다. 학습 예제 섹션에 언급된 대로 이 파일을 YOLO26 학습 스크립트와 함께 사용하십시오.

더 많은 FAQ와 자세한 문서는 Ultralytics Documentation에서 확인하실 수 있습니다.

기여자
GLglenn-jocher15JKjk4e2RAraimbekovm1MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

댓글