Dataset COCO128#
Introdução#
Ultralytics COCO128 é um conjunto de dados de object detection 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 para experimentar novas abordagens de detecção. Com 128 imagens, é pequeno o suficiente para ser facilmente gerenciável, mas diversificado o suficiente para testar pipelines de treinamento em busca de erros e servir como uma verificação de sanidade antes de treinar conjuntos de dados maiores.
Watch: Ultralytics COCO Dataset Overview
Este conjunto de dados destina-se ao uso com Ultralytics Platform e YOLO26.
Estrutura do Dataset#
O COCO128 contém as primeiras 128 imagens do conjunto COCO train 2017, cobrindo todas as 80 classes de objetos COCO no YOLO label format. As mesmas 128 imagens servem como divisão de treinamento e validação, mantendo-o leve para verificações rápidas de sanidade:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/YAML do Dataset#
Um arquivo YAML é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. No caso do conjunto de dados COCO128, o arquivo coco128.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/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.zipUso#
O conjunto de dados COCO128 (7 MB) é baixado automaticamente na primeira vez que inicias o treinamento. Para treinar um modelo YOLO26n no COCO128 por 100 epochs com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para obter uma lista abrangente de argumentos disponíveis, consulta a página de Training do modelo.
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Exemplos de Imagens e Anotações#
Aqui estão alguns exemplos de imagens do dataset COCO128, juntamente com suas anotações correspondentes:
- Imagem em Mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A mosaicação é uma técnica usada durante o treino que combina múltiplas imagens numa única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objeto, proporções e contextos.
O exemplo demonstra a variedade e complexidade das imagens no dataset COCO128 e os benefícios de usar mosaico durante o processo de treinamento.
Citações e Agradecimentos#
Se você utilizar o dataset COCO em seu trabalho de pesquisa ou desenvolvimento, por favor, cite o seguinte artigo:
@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 recurso valioso para a comunidade de computer vision. Para obter mais informações sobre o conjunto de dados COCO e seus criadores, visita o COCO dataset website.
FAQ#
O conjunto de dados Ultralytics COCO128 é um subconjunto compacto contendo as primeiras 128 imagens do conjunto de dados COCO train 2017. É usado principalmente para testar e depurar modelos de object detection, experimentar novas abordagens de detecção e validar pipelines de treinamento antes de escalar para conjuntos de dados maiores. O seu tamanho gerenciável torna-o perfeito para iterações rápidas, mantendo diversidade suficiente para ser um caso de teste significativo.
Para treinar um modelo YOLO26 no dataset COCO128, você pode usar comandos Python ou CLI. Veja como:
Exemplo de Treinamentofrom ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Para mais opções e parâmetros de treinamento, consulta a documentação de Training.
A aumentação de mosaico, conforme mostrado nas imagens de exemplo, combina várias imagens de treinamento em uma única imagem composta. Esta técnica oferece vários benefícios ao treinar com o COCO128:
- Aumenta a variedade de objetos e contextos dentro de cada lote de treinamento
- Melhora a generalização do modelo em diferentes tamanhos de objetos e proporções
- Aprimora o desempenho de detecção para objetos em várias escalas
- Maximiza a utilidade de um dataset pequeno criando amostras de treinamento mais diversas
Esta técnica é particularmente valiosa para datasets menores como o COCO128, ajudando os modelos a aprender características mais robustas a partir de dados limitados.
O COCO128 (128 imagens) situa-se entre o COCO8 (8 imagens) e o conjunto de dados COCO completo (mais de 118 mil imagens) em termos de tamanho:
- COCO8: Contém apenas 8 imagens (4 de treino, 4 de validação) - ideal para testes rápidos e depuração
- COCO128: Contém 128 imagens - equilibrado entre tamanho e diversidade
- COCO Completo: Contém mais de 118 mil imagens de treinamento - abrangente, mas requer muitos recursos
O COCO128 oferece um bom meio-termo, proporcionando mais diversidade que o COCO8, enquanto permanece muito mais gerenciável do que o dataset COCO completo para experimentação e desenvolvimento inicial de modelos.
Embora o COCO128 seja projetado principalmente para detecção de objetos, as anotações do dataset podem ser adaptadas para outras tarefas de visão computacional:
- Segmentação de instâncias: Usando as máscaras de segmentação fornecidas nas anotações
- Detecção de pontos-chave: Para imagens contendo pessoas com anotações de pontos-chave
- Aprendizado por transferência: Como ponto de partida para o ajuste fino de modelos para tarefas personalizadas
Para tarefas especializadas como segmentation, considera usar variantes criadas para esse fim, como o COCO8-seg, que incluem as anotações apropriadas.