COCO8 Dataset
Inleiding
Ultralytics COCO8 is een kleine, maar veelzijdige dataset voor objectdetectie die bestaat uit de eerste 8 afbeeldingen van de COCO train 2017 set, 4 voor training en 4 voor validatie. Deze dataset is ideaal voor het testen en debuggen van objectdetectiemodellen, of voor het experimenteren met nieuwe detectiebenaderingen. Met 8 afbeeldingen is het klein genoeg om gemakkelijk te beheren, maar toch divers genoeg om trainingslijnen te testen op fouten en te fungeren als een sanity check voordat grotere datasets worden getraind.
Kijken: Ultralytics Overzicht COCO-dataset
Deze dataset is bedoeld voor gebruik met Ultralytics HUB en YOLOv8.
Dataset YAML
Een YAML (Yet Another Markup Language) bestand wordt gebruikt om de configuratie van de dataset te definiƫren. Het bevat informatie over de paden, klassen en andere relevante informatie van de dataset. In het geval van de COCO8 dataset is de coco8.yaml
bestand wordt onderhouden op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.
ultralytics/cfg/datasets/coco8.yaml
# Ultralytics YOLO š, AGPL-3.0 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
# āāā ultralytics
# āāā datasets
# āāā coco8 ā 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: ../datasets/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://ultralytics.com/assets/coco8.zip
Gebruik
Om een YOLOv8n model te trainen op de COCO8 dataset voor 100 epochs met een afbeeldingsgrootte van 640, kun je de volgende codefragmenten gebruiken. Raadpleeg de pagina Model Training voor een uitgebreide lijst met beschikbare argumenten.
Voorbeeld trein
Voorbeeldafbeeldingen en -annotaties
Hier zijn enkele voorbeelden van afbeeldingen uit de COCO8 dataset, samen met de bijbehorende annotaties:
- GemozaĆÆekte afbeelding: Deze afbeelding toont een trainingsbatch die bestaat uit gemozaĆÆekte afbeeldingen van de dataset. MozaĆÆeken is een techniek die tijdens het trainen wordt gebruikt om meerdere afbeeldingen te combineren tot Ć©Ć©n afbeelding om de verscheidenheid aan objecten en scĆØnes binnen elke trainingsbatch te vergroten. Dit helpt het vermogen van het model om te generaliseren naar verschillende objectgroottes, beeldverhoudingen en contexten te verbeteren.
Het voorbeeld toont de verscheidenheid en complexiteit van de afbeeldingen in de COCO8 dataset en de voordelen van het gebruik van mozaĆÆek tijdens het trainingsproces.
Citaten en erkenningen
Als je de COCO dataset gebruikt in je onderzoek of ontwikkeling, citeer dan het volgende document:
@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 DollƔr},
year={2015},
eprint={1405.0312},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
We willen graag het COCO Consortium bedanken voor het maken en onderhouden van deze waardevolle bron voor de computer vision gemeenschap. Ga voor meer informatie over de COCO dataset en de makers naar de COCO dataset website.
Aangemaakt 2023-11-12, Bijgewerkt 2024-05-18
Auteurs: glenn-jocher (5), RizwanMunawar (1), Laughing-q (1)