Começar

Conjunto de dados COCO128

Introdução#

COCO128 da Ultralytics é um conjunto de dados de detecção de objetos pequeno, mas versátil, composto pelas primeiras 128 imagens do conjunto COCO train 2017. Este conjunto de dados é ideal para testar e depurar modelos de detecção de objetos ou experimentar novas abordagens de detecção. Com 128 imagens, é pequeno o suficiente para ser facilmente gerenciável, mas também diversificado o bastante para testar erros nos pipelines de treinamento e servir como verificação básica antes do treinamento com conjuntos de dados maiores.



Assista: Visão geral do conjunto de dados COCO do Ultralytics

Este conjunto de dados destina-se a ser usado com a Ultralytics Platform e o YOLO26.

Estrutura do conjunto de dados#

O COCO128 contém as primeiras 128 imagens do conjunto COCO train 2017, etiquetadas com os nomes das 80 classes do COCO (71 das quais aparecem nestas imagens) no formato de etiquetas YOLO. As mesmas 128 imagens servem tanto para o conjunto de treino como para o de validação, mantendo-o leve para verificações básicas rápidas:

coco128/
├── images/
│   └── train2017/   # 128 images (used for both train and val)
└── labels/
    └── train2017/

YAML do conjunto de dados#

Um ficheiro YAML é usado para definir a configuração do conjunto de dados. Contém informações sobre os caminhos, as classes e outros dados relevantes do conjunto. No caso do conjunto de dados COCO128, o ficheiro coco128.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralytics/cfg/datasets/coco128.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco128
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128.zip

Uso#

O conjunto de dados COCO128 (7 MB) é transferido automaticamente na primeira vez que inicias o treino. Para treinar um modelo YOLO26n no COCO128 durante 100 épocas, com tamanho de imagem 640, podes utilizar os seguintes exemplos de código.

Exemplo de treino
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados COCO128, juntamente com as respetivas anotações:

COCO128 object detection dataset mosaic training batch
  • Imagem em mosaico: esta imagem mostra um lote de treinamento composto por imagens do conjunto de dados organizadas em mosaico. A composição em mosaico é uma técnica de aumentação de dados usada durante o treinamento, que combina várias imagens numa única imagem para aumentar a variedade de objetos e cenas em cada lote de treinamento. Isso ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

O exemplo mostra a variedade e a complexidade das imagens do conjunto de dados COCO128 e os benefícios da composição em mosaico durante o processo de treinamento.

Citações e agradecimentos#

Se usares o conjunto de dados COCO no teu trabalho de pesquisa ou desenvolvimento, cita o seguinte artigo:

Citação
@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}
}

Gostaríamos de agradecer ao Consórcio COCO por criar e manter este valioso recurso para a comunidade de visão computacional. Para mais informações sobre o conjunto de dados COCO e os seus criadores, visita o site do conjunto de dados COCO.

Perguntas frequentes#

  • O conjunto de dados COCO128 da Ultralytics é um subconjunto compacto que contém as primeiras 128 imagens do conjunto de dados COCO train 2017. É usado principalmente para testar e depurar modelos de detecção de objetos, experimentar novas abordagens de detecção e validar pipelines de treinamento antes de passar para conjuntos de dados maiores. O seu tamanho gerenciável torna-o ideal para iterações rápidas, mantendo diversidade suficiente para servir como caso de teste relevante.

  • Para treinar um modelo YOLO26 com o conjunto de dados COCO128, podes usar comandos Python ou CLI. Vê como:

    Exemplo de treino
    from ultralytics import YOLO
    
    # Carregar um modelo pré-treinado
    model = YOLO("yolo26n.pt")
    
    # Treinar o modelo
    results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

    Para mais opções e parâmetros de treino, consulta a documentação de treino.

  • O aumento de dados Mosaic, como mostrado nas imagens de exemplo, combina várias imagens de treino numa única imagem composta. Esta técnica oferece várias vantagens ao treinar com o COCO128:

    • Aumenta a variedade de objetos e contextos em cada lote de treino
    • Melhora a generalização do modelo para diferentes tamanhos e proporções de objetos
    • Melhora o desempenho de deteção de objetos a várias escalas
    • Maximiza a utilidade de um conjunto de dados pequeno ao criar amostras de treino mais diversificadas

    Esta técnica é particularmente valiosa para conjuntos de dados menores, como o COCO128, pois ajuda os modelos a aprender características mais robustas a partir de dados limitados.

  • Em termos de tamanho, o COCO128 (128 imagens) situa-se entre o COCO8 (8 imagens) e o conjunto de dados COCO completo (mais de 118 mil imagens):

    • COCO8: contém apenas 8 imagens (4 para treino, 4 para validação) — ideal para testes e depuração rápidos
    • COCO128: contém 128 imagens — um equilíbrio entre tamanho e diversidade
    • COCO completo: contém mais de 118 mil imagens de treino — abrangente, mas exige muitos recursos

    O COCO128 oferece um bom meio-termo: proporciona mais diversidade do que o COCO8, continuando a ser muito mais fácil de gerir do que o conjunto de dados COCO completo para experimentação e desenvolvimento inicial de modelos.

  • COCO128 inclui apenas rótulos de detecção de objetos. Para outras tarefas, usa as variantes específicas que incluem as anotações correspondentes:

    O próprio COCO128 também funciona como um pequeno conjunto de dados para ajuste fino e teste de configurações de treinamento personalizadas.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.