Link to this sectionDataset COCO8#

Link to this sectionIntrodução#

O conjunto de dados COCO8 da Ultralytics é um conjunto de dados 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 conjunto de dados 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 de sanidade eficaz antes de avançar para conjuntos de dados maiores.

Link to this sectionEstrutura do Dataset#

O COCO8 compreende as primeiras 8 imagens do conjunto COCO train 2017 — 4 para treino e 4 para validação — cobrindo o conjunto completo de 80 classes de objetos COCO no formato de label YOLO:

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

Explora o COCO8 na Plataforma Ultralytics para navegares por cada imagem com as suas sobreposições de anotação, veres a distribuição de classes e os mapas de calor de bounding-box no separador Gráficos, e clonares o dataset para treinares o teu próprio modelo na cloud.

Link to this sectionYAML do Dataset#

A configuração do dataset COCO8 é definida num ficheiro YAML, que especifica os caminhos do dataset, nomes das classes e outros metadados essenciais. Podes rever 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#

O dataset COCO8 (1 MB) é transferido automaticamente na primeira vez que inicias o treino. Para treinares um modelo YOLO26n no COCO8 durante 100 épocas com um tamanho de imagem de 640, usa os seguintes exemplos. 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 conjunto de dados 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 escalar para conjuntos de dados 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 sectionQuais são os benefícios de usar a aumentação de mosaico no treino com o Dataset COCO8?#

Aumentação Mosaic, conforme utilizada no treino do 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 Mosaic é especialmente valiosa para conjuntos de dados pequenos, pois maximiza a informação disponível em cada passo de treino. Para mais informações sobre isto, consulta 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.