Overslaan naar inhoud

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 defini√ęren. 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 ūüöÄ, 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
# ‚Ēú‚ĒÄ‚ĒÄ ultralytics
# ‚ĒĒ‚ĒÄ‚ĒÄ datasets
#     ‚ĒĒ‚ĒÄ‚ĒÄ coco8  ‚Üź 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://github.com/ultralytics/assets/releases/download/v0.0.0/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

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

Voorbeeldafbeeldingen en -annotaties

Hier zijn enkele voorbeelden van afbeeldingen uit de COCO8 dataset, samen met de bijbehorende annotaties:

Voorbeeldafbeelding dataset

  • Gemoza√Įekte afbeelding: Deze afbeelding toont een trainingsbatch die bestaat uit gemoza√Įekte afbeeldingen van de dataset. Moza√Įeken is een techniek die tijdens het trainen wordt gebruikt om meerdere afbeeldingen te combineren tot √©√©n afbeelding om de verscheidenheid aan objecten en sc√®nes 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 moza√Įek 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 Doll√°r},
      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.

FAQ

Waar wordt de Ultralytics COCO8 dataset voor gebruikt?

De Ultralytics COCO8 dataset is een compacte maar veelzijdige objectdetectie dataset die bestaat uit de eerste 8 beelden van de COCO train 2017 set, met 4 beelden voor training en 4 voor validatie. Het is ontworpen voor het testen en debuggen van objectdetectiemodellen en experimenten met nieuwe detectiebenaderingen. Ondanks de kleine omvang biedt COCO8 genoeg diversiteit om te fungeren als een sanity check voor je trainingslijnen voordat je grotere datasets inzet. Bekijk de COCO8 dataset voor meer details.

Hoe train ik een YOLOv8 model met de COCO8 dataset?

Om een YOLOv8 model te trainen met de COCO8 dataset, kun je de commando's Python of CLI gebruiken. Dit is hoe je kunt beginnen:

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

Kijk voor een uitgebreide lijst met beschikbare argumenten op de pagina Model Training.

Waarom zou ik Ultralytics HUB gebruiken om mijn COCO8-training te beheren?

Ultralytics HUB is een alles-in-één webtool die is ontworpen om de training en inzet van YOLO modellen te vereenvoudigen, waaronder de Ultralytics YOLOv8 modellen op de COCO8 dataset. Het biedt cloud training, real-time tracking en naadloos beheer van de dataset. Met HUB kun je met één klik beginnen met trainen en wordt de complexiteit van handmatige setups vermeden. Ontdek meer over Ultralytics HUB en de voordelen.

Wat zijn de voordelen van het gebruik van moza√Įekvergroting bij het trainen met de COCO8 dataset?

Met moza√Įekvergroting, gedemonstreerd in de COCO8 dataset, worden tijdens de training meerdere beelden gecombineerd tot √©√©n beeld. Deze techniek vergroot de verscheidenheid aan objecten en sc√®nes in elke trainingsbatch, waardoor het model beter kan generaliseren over verschillende objectgroottes, beeldverhoudingen en contexten. Dit resulteert in een robuuster objectdetectiemodel. Raadpleeg de trainingshandleiding voor meer informatie.

Hoe kan ik mijn YOLOv8 model, getraind op de COCO8 dataset, valideren?

Validatie van je YOLOv8 model dat is getraind op de COCO8 dataset kan worden uitgevoerd met de validatiecommando's van het model. Je kunt de validatiemodus oproepen via CLI of Python script om de prestaties van het model te evalueren met behulp van nauwkeurige meetgegevens. Ga voor gedetailleerde instructies naar de pagina Validatie.



Aangemaakt 2023-11-12, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (7), RizwanMunawar (1), Laughing-q (1)

Reacties