Dataset COCO8

Introdução

O dataset COCO8 da Ultralytics é um dataset compacto e poderoso de detecção de objetos, que consiste nas primeiras 8 imagens do conjunto COCO train 2017 — 4 para treinamento e 4 para validação. Este dataset foi projetado especificamente para testes rápidos, depuração e experimentação com modelos YOLO e pipelines de treinamento. Seu tamanho reduzido torna-o altamente gerenciável, enquanto sua diversidade garante que ele sirva como uma verificação de sanidade eficaz antes de escalar para datasets maiores.

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

YAML do Dataset

A configuração do dataset COCO8 é definida em um arquivo YAML (Yet Another Markup Language), que especifica os caminhos do dataset, nomes de classes e outros metadados essenciais. Você pode revisar o arquivo 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

Utilização

Para treinar um modelo YOLO26n no dataset COCO8 por 100 épocas com um tamanho de imagem de 640, use os exemplos a seguir. Para uma lista completa de opções de treinamento, consulte a documentação de Treinamento 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)

Amostra de Imagens e Anotações

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

• Imagem em Mosaico: Esta imagem ilustra um lote de treinamento onde múltiplas imagens do dataset são combinadas usando aumento de dados em mosaico. O aumento em mosaico aumenta a diversidade de objetos e cenas dentro de cada lote, ajudando o modelo a generalizar melhor para diversos 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 treinamento.

Citações e Agradecimentos

Se você usar o dataset COCO em sua 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}
}

Agradecimentos especiais ao COCO Consortium por suas contribuições contínuas à comunidade de visão computacional.

FAQ

Para que serve o Dataset Ultralytics COCO8?

O dataset Ultralytics COCO8 foi projetado para testes rápidos e depuração de modelos de detecção de objetos. Com apenas 8 imagens (4 para treinamento, 4 para validação), ele é ideal para verificar seus pipelines de treinamento YOLO e garantir que tudo funcione conforme o esperado antes de escalar para datasets maiores. Explore a configuração YAML do COCO8 para mais detalhes.

Como treino um modelo YOLO26 usando o Dataset COCO8?

Você pode 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 adicionais de treinamento, consulte a documentação de Treinamento YOLO.

Por que devo usar a Ultralytics Platform para gerenciar meu treinamento no COCO8?

A Ultralytics Platform simplifica o gerenciamento de datasets, treinamento e implantação para modelos YOLO — incluindo o COCO8. Com recursos como treinamento em nuvem, monitoramento em tempo real e manipulação intuitiva de datasets, o HUB permite que você inicie experimentos com um único clique e elimina complicações de configuração manual. Saiba mais sobre a Ultralytics Platform e como ela pode acelerar seus projetos de visão computacional.

Quais são os benefícios de usar o aumento de dados em mosaico no treinamento com o Dataset COCO8?

O aumento de dados em mosaico, conforme usado no treinamento do COCO8, combina múltiplas imagens em uma durante cada lote. Isso aumenta a diversidade de objetos e fundos, ajudando seu modelo YOLO a generalizar melhor para novos cenários. O aumento em mosaico é especialmente valioso para datasets pequenos, pois maximiza as informações disponíveis em cada etapa do treinamento. Para mais informações, veja o guia de treinamento.

Como posso validar meu modelo YOLO26 treinado no Dataset COCO8?

Para validar seu modelo YOLO26 após o treinamento no COCO8, use os comandos de validação do modelo em Python ou CLI. Isso avalia o desempenho do seu modelo usando métricas padrão. Para instruções passo a passo, visite a documentação de Validação YOLO.