Overslaan naar inhoud

COCO8-Pose Dataset

Inleiding

Ultralytics COCO8-Pose is een kleine, maar veelzijdige pose detectie dataset 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.

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 definiëren. Het bevat informatie over de paden, klassen en andere relevante informatie van de dataset. In het geval van de COCO8-Pose dataset is de coco8-pose.yaml bestand wordt onderhouden op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

ultralytics/cfg/datasets/coco8-pose.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Gebruik

Om een YOLOv8n-pose model te trainen op de COCO8-Pose 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-pose.pt")  # load a pretrained model (recommended for training)

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

Voorbeeldafbeeldingen en -annotaties

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

Voorbeeldafbeelding dataset

  • Gemozaïekte afbeelding: Deze afbeelding toont een trainingsbatch die bestaat uit gemozaïekte afbeeldingen van de dataset. Mozaïeken is een techniek die tijdens het trainen wordt gebruikt om meerdere afbeeldingen te combineren tot één afbeelding om de verscheidenheid aan objecten en scènes 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-Pose dataset en de voordelen van het gebruik van mozaïek 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 Dollár},
      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

Wat is de COCO8-Pose dataset en hoe wordt deze gebruikt met Ultralytics YOLOv8 ?

De COCO8-Pose dataset is een kleine, veelzijdige pose detectie dataset die de eerste 8 afbeeldingen van de COCO train 2017 set bevat, met 4 afbeeldingen voor training en 4 voor validatie. Het is ontworpen voor het testen en debuggen van objectdetectiemodellen en het experimenteren met nieuwe detectiebenaderingen. Deze dataset is ideaal voor snelle experimenten met Ultralytics YOLOv8. Voor meer details over de configuratie van de dataset kun je hier het YAML-bestand van de dataset bekijken.

Hoe train ik een YOLOv8 model met de COCO8-Pose dataset in Ultralytics?

Volg deze voorbeelden om een YOLOv8n-pose model te trainen op de COCO8-Pose dataset voor 100 epochs met een afbeeldingsgrootte van 640:

Voorbeeld trein

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-pose.yaml model=yolov8n.pt epochs=100 imgsz=640

Ga voor een uitgebreide lijst met trainingsargumenten naar de pagina over modeltraining.

Wat zijn de voordelen van het gebruik van de COCO8-Pose dataset?

De COCO8-Pose dataset biedt verschillende voordelen:

  • Compact formaat: Met slechts 8 afbeeldingen is hij eenvoudig te beheren en perfect voor snelle experimenten.
  • Diverse gegevens: Ondanks het kleine formaat bevat het een verscheidenheid aan scènes, handig voor het grondig testen van pijplijnen.
  • Foutopsporing: Ideaal voor het opsporen van trainingsfouten en het uitvoeren van correctheidscontroles voordat wordt opgeschaald naar grotere datasets.

Voor meer over de functies en het gebruik, zie de Dataset Introductie sectie.

Welke voordelen heeft mosaicing voor het YOLOv8 trainingsproces met de COCO8-Pose dataset?

Mosaicing, gedemonstreerd in de voorbeeldafbeeldingen van de COCO8-Pose dataset, combineert meerdere afbeeldingen tot één afbeelding, waardoor de verscheidenheid aan objecten en scènes binnen elke trainingsbatch toeneemt. Deze techniek helpt het vermogen van het model om te generaliseren over verschillende objectgroottes, aspectratio's en contexten te verbeteren, waardoor uiteindelijk de prestaties van het model verbeteren. Zie de sectie Voorbeeldafbeeldingen en Annotaties voor voorbeeldafbeeldingen.

Waar kan ik het COCO8-Pose dataset YAML-bestand vinden en hoe gebruik ik het?

Het COCO8-Pose dataset YAML bestand kun je hier vinden. Dit bestand definieert de configuratie van de dataset, inclusief paden, klassen en andere relevante informatie. Gebruik dit bestand met de YOLOv8 trainingsscripts zoals genoemd in de Train Voorbeeld sectie.

Ga voor meer FAQ's en gedetailleerde documentatie naar Ultralytics Documentatie.



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

Reacties