Link to this sectionDataset COCO128#

Link to this sectionIntrodução#

O Ultralytics COCO128 é um dataset de detecção de objetos pequeno, mas versátil, composto pelas primeiras 128 imagens do conjunto de treino COCO 2017. Este dataset 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, porém diversificado o bastante para testar pipelines de treinamento em busca de erros e servir como uma verificação básica antes de treinar datasets maiores.

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

Link to this sectionYAML do Dataset#

Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do dataset. Ele contém informações sobre os caminhos, classes e outros dados relevantes do dataset. No caso do dataset 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.zip

Link to this sectionUso#

Para treinar um modelo YOLO26n no dataset COCO128 por 100 epochs com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento 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)

Link to this sectionExemplos 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.

Link to this sectionCitações 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 COCO Consortium por criar e manter este recurso valioso para a comunidade de visão computacional. Para mais informações sobre o dataset COCO e seus criadores, visite o site do dataset COCO.

Link to this sectionFAQ#

Link to this sectionPara que serve o dataset Ultralytics COCO128?#

O dataset Ultralytics COCO128 é um subconjunto compacto contendo as primeiras 128 imagens do dataset COCO train 2017. Ele é usado principalmente para testar e depurar modelos de detecção de objetos, experimentar novas abordagens de detecção e validar pipelines de treinamento antes de escalar para datasets maiores. Seu tamanho gerenciável o torna perfeito para iterações rápidas, ao mesmo tempo em que fornece diversidade suficiente para ser um caso de teste significativo.

Link to this sectionComo posso treinar um modelo YOLO26 usando o dataset COCO128?#

Para treinar um modelo YOLO26 no dataset COCO128, você pode usar comandos Python ou CLI. Veja como:

from 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, consulte a documentação de Treinamento.

Link to this sectionQuais são os benefícios de usar a aumentação de mosaico com o COCO128?#

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.

Link to this sectionComo o COCO128 se compara a outras variantes do dataset COCO?#

O COCO128 (128 imagens) situa-se entre o COCO8 (8 imagens) e o dataset 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.

Link to this sectionPosso usar o COCO128 para tarefas além da detecção de objetos?#

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 segmentação, considere usar variantes criadas especificamente para esse fim, como o COCO8-seg, que incluem as anotações apropriadas.