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 🚀 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 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.
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:
- 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:
@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 treinofrom 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:
- Segmentação de instâncias: COCO128-seg adiciona máscaras de segmentação às mesmas primeiras 128 imagens do COCO train2017
- Estimativa de pose: COCO8-pose fornece anotações de pontos-chave de pessoas para testes rápidos
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.



