Link to this sectionDataset COCO8#

Link to this sectionIntrodução#

O dataset COCO8 da Ultralytics é um dataset de object detection compacto, porém poderoso, que consiste nas primeiras 8 imagens do conjunto COCO train 2017 — 4 para treino e 4 para validação. Este dataset foi concebido especificamente para testes rápidos, depuração e experimentação com modelos YOLO e pipelines de treino. O seu tamanho reduzido torna-o altamente manejável, enquanto a sua diversidade garante que serve como uma verificação eficaz antes de avançar para datasets maiores.

O COCO8 é totalmente compatível com a Ultralytics Platform e o YOLO26, permitindo uma integração perfeita nos teus fluxos de trabalho de visão computacional.

Link to this sectionYAML do Dataset#

A configuração do dataset COCO8 é definida num ficheiro YAML (Yet Another Markup Language), que especifica caminhos para o dataset, nomes de classes e outros metadados essenciais. Podes consultar o ficheiro oficial coco8.yaml no repositório GitHub da Ultralytics.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← 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: coco8 # 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)

# 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/coco8.zip

Link to this sectionUso#

Para treinar um modelo YOLO26n no dataset COCO8 durante 100 epochs com um tamanho de imagem de 640, usa os exemplos seguintes. Para uma lista completa de opções de treino, consulta a documentação de treino YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Link to this sectionExemplos de Imagens e Anotações#

Abaixo está um exemplo de um lote de treino em mosaico do dataset COCO8:

• Imagem em Mosaico: Esta imagem ilustra um lote de treino onde várias imagens do dataset são combinadas usando a aumentação de mosaico. A aumentação de mosaico aumenta a diversidade de objetos e cenas em cada lote, ajudando o modelo a generalizar melhor para vários tamanhos de objetos, proporções e fundos.

Esta técnica é especialmente útil para datasets pequenos como o COCO8, pois maximiza o valor de cada imagem durante o treino.

Link to this sectionCitações e Agradecimentos#

Se utilizares o dataset COCO na tua investigação ou desenvolvimento, por favor 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}
}

Um agradecimento especial ao COCO Consortium pelas suas contribuições contínuas para a comunidade de computer vision.

Link to this sectionFAQ#

Link to this sectionPara que serve o Dataset COCO8 da Ultralytics?#

O dataset COCO8 da Ultralytics foi concebido para testes rápidos e depuração de modelos de object detection. Com apenas 8 imagens (4 para treino, 4 para validação), é ideal para verificar os teus pipelines de treino YOLO e garantir que tudo funciona como esperado antes de aumentar para datasets maiores. Explora a configuração YAML do COCO8 para mais detalhes.

Link to this sectionComo posso treinar um modelo YOLO26 usando o Dataset COCO8?#

Podes treinar um modelo YOLO26 no COCO8 usando Python ou a CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Para opções de treino adicionais, consulta a documentação de treino YOLO.

Link to this sectionPor que devo usar a Ultralytics Platform para gerir o meu treino no COCO8?#

A Ultralytics Platform simplifica a gestão de datasets, o treino e a implementação de modelos YOLO — incluindo o COCO8. Com funcionalidades como treino na cloud, monitorização em tempo real e gestão intuitiva de datasets, o HUB permite-te lançar experiências com um único clique e elimina as complicações da configuração manual. Sabe mais sobre a Ultralytics Platform e como esta pode acelerar os teus projetos de visão computacional.

Link to this sectionQuais são os benefícios de usar a aumentação de mosaico no treino com o Dataset COCO8?#

A aumentação de mosaico, conforme usada no treino com COCO8, combina várias imagens numa só durante cada lote. Isto aumenta a diversidade de objetos e fundos, ajudando o teu modelo YOLO a generalizar melhor para novos cenários. A aumentação de mosaico é especialmente valiosa para datasets pequenos, pois maximiza a informação disponível em cada passo do treino. Para mais informações sobre isto, vê o guia de treino.

Link to this sectionComo posso validar o meu modelo YOLO26 treinado no Dataset COCO8?#

Para validar o teu modelo YOLO26 após o treino no COCO8, usa os comandos de validação do modelo em Python ou CLI. Isto avalia o desempenho do teu modelo usando métricas padrão. Para instruções passo a passo, visita a documentação de validação YOLO.