Começar

Conjunto de dados COCO8

Introdução#

O conjunto de dados COCO8 da Ultralytics é um conjunto compacto de detecção de objetos, composto pelas 8 primeiras imagens do conjunto COCO train 2017 — 4 para treinamento e 4 para validação. Ele foi desenvolvido especificamente para testes rápidos, depuração e experimentação com modelos YOLO e pipelines de treinamento. Seu tamanho reduzido facilita o gerenciamento, enquanto sua diversidade faz dele uma verificação de sanidade eficaz antes de passar para conjuntos de dados maiores.



Assista: Visão geral do conjunto de dados COCO do Ultralytics

Estrutura do conjunto de dados#

O COCO8 inclui as primeiras 8 imagens do conjunto COCO train 2017 — 4 para treinamento e 4 para validação — rotuladas com os 80 nomes de classes COCO no formato de rótulos YOLO:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Explora o COCO8 na Ultralytics Platform para consultar cada imagem com as sobreposições das anotações, ver a distribuição das classes e os mapas de calor das caixas delimitadoras no separador Gráficos e cloná-lo para treinares o teu próprio modelo na nuvem.

YAML do conjunto de dados#

A configuração do conjunto de dados COCO8 é definida num ficheiro YAML que especifica os caminhos do conjunto, os nomes das classes e outros metadados essenciais. Podes consultar o ficheiro oficial coco8.yaml no repositório da Ultralytics no GitHub.

ultralytics/cfg/datasets/coco8.yaml
# 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

Uso#

O conjunto de dados COCO8 (1 MB) é transferido automaticamente na primeira vez que inicias o treino. Para treinar um modelo YOLO26n no COCO8 durante 100 épocas, com tamanho de imagem 640, utiliza os exemplos seguintes.

Exemplo de treino
from ultralytics import YOLO

# Carrega um modelo YOLO26n pré-treinado
model = YOLO("yolo26n.pt")

# Treina o modelo com COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

Abaixo está um exemplo de um lote de treinamento em mosaico do conjunto de dados COCO8:

COCO8 object detection dataset mosaic training batch
  • Imagem em mosaico: esta imagem ilustra um lote de treinamento em que várias imagens do conjunto de dados são combinadas usando aumento de dados por mosaico. O aumento de dados por mosaico aumenta a diversidade de objetos e cenas em cada lote, ajudando o modelo a generalizar melhor para diferentes tamanhos de objetos, proporções e planos de fundo.

Esta técnica é especialmente útil para conjuntos de dados pequenos, como o COCO8, pois maximiza o valor de cada imagem durante o treinamento.

Citações e agradecimentos#

Se usares o conjunto de dados COCO na tua 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}
}

Agradecemos especialmente ao COCO Consortium pelas suas contribuições contínuas para a comunidade de visão computacional.

Perguntas frequentes#

  • O conjunto de dados COCO8 da Ultralytics foi concebido para testar e depurar rapidamente modelos de deteção de objetos. Com apenas 8 imagens (4 para treino e 4 para validação), é ideal para verificar os teus pipelines de treino YOLO e garantir que tudo funciona como esperado antes de passar para conjuntos de dados maiores.

  • Podes treinar um modelo YOLO26 com COCO8 usando Python ou a CLI:

    Exemplo de treino
    from ultralytics import YOLO
    
    # Carrega um modelo YOLO26n pré-treinado
    model = YOLO("yolo26n.pt")
    
    # Treina o modelo com COCO8
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Para ver mais opções de treinamento, consulta a documentação de treinamento YOLO.

  • O aumento de dados Mosaic, utilizado no treino com COCO8, combina várias imagens numa só em cada lote. Isto aumenta a diversidade de objetos e fundos, ajudando o teu modelo YOLO a generalizar melhor para novos cenários. O aumento de dados Mosaic é particularmente valioso para conjuntos de dados pequenos, pois maximiza a informação disponível em cada etapa do treino.

  • Para validar o teu modelo YOLO26 depois do treinamento com COCO8, usa os comandos de validação do modelo em Python ou na CLI. Isso avalia o desempenho do modelo usando métricas padrão. Para obter instruções passo a passo, consulta a documentação de validação YOLO.

Comentários

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