Conjunto de dados COCO8
Introdução
Ultralytics COCO8 is a small, but versatile object detection dataset composed of the first 8 images of the COCO train 2017 set, 4 for training and 4 for validation. This dataset is ideal for testing and debugging object detection models, or for experimenting with new detection approaches. With 8 images, it is small enough to be easily manageable, yet diverse enough to test training pipelines for errors and act as a sanity check before training larger datasets.
Observa: Ultralytics Resumo do conjunto de dados COCO
This dataset is intended for use with Ultralytics HUB and YOLO11.
Conjunto de dados YAML
Um ficheiro YAML (Yet Another Markup Language) é utilizado para definir a configuração do conjunto de dados. Contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. No caso do conjunto de dados COCO8, o ficheiro coco8.yaml
é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.
ultralytics/cfg/datasets/coco8.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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
To train a YOLO11n model on the COCO8 dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.
Exemplo de comboio
Exemplos de imagens e anotações
Aqui tens alguns exemplos de imagens do conjunto de dados COCO8, juntamente com as anotações correspondentes:
- Imagem em mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. O mosaico é uma técnica utilizada durante o treino que combina várias imagens numa única imagem para aumentar a variedade de objectos e cenas em cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objectos, proporções e contextos.
O exemplo mostra a variedade e complexidade das imagens no conjunto de dados COCO8 e os benefícios da utilização de mosaicos durante o processo de formação.
Citações e agradecimentos
Se utilizares o conjunto de dados COCO no teu trabalho de investigação ou desenvolvimento, cita o seguinte documento:
@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}
}
We would like to acknowledge the COCO Consortium for creating and maintaining this valuable resource for the computer vision community. For more information about the COCO dataset and its creators, visit the COCO dataset website.
FAQ
Para que é utilizado o conjunto de dados Ultralytics COCO8?
O conjunto de dados Ultralytics COCO8 é um conjunto de dados de deteção de objectos compacto mas versátil que consiste nas primeiras 8 imagens do conjunto COCO train 2017, com 4 imagens para treino e 4 para validação. Foi concebido para testar e depurar modelos de deteção de objectos e experimentar novas abordagens de deteção. Apesar do seu tamanho pequeno, o COCO8 oferece diversidade suficiente para funcionar como uma verificação de sanidade para os teus pipelines de treino antes de implementares conjuntos de dados maiores. Para mais detalhes, vê o conjunto de dados COCO8.
How do I train a YOLO11 model using the COCO8 dataset?
To train a YOLO11 model using the COCO8 dataset, you can employ either Python or CLI commands. Here's how you can start:
Exemplo de comboio
Para obter uma lista completa dos argumentos disponíveis, consulta a página de formação do modelo.
Por que razão devo utilizar o Ultralytics HUB para gerir a minha formação COCO8?
Ultralytics HUB is an all-in-one web tool designed to simplify the training and deployment of YOLO models, including the Ultralytics YOLO11 models on the COCO8 dataset. It offers cloud training, real-time tracking, and seamless dataset management. HUB allows you to start training with a single click and avoids the complexities of manual setups. Discover more about Ultralytics HUB and its benefits.
Quais são as vantagens de utilizar o aumento do mosaico na formação com o conjunto de dados COCO8?
O aumento do mosaico, demonstrado no conjunto de dados COCO8, combina várias imagens numa única imagem durante o treino. Esta técnica aumenta a variedade de objectos e cenas em cada lote de treino, melhorando a capacidade do modelo para generalizar através de diferentes tamanhos de objectos, proporções e contextos. Isto resulta num modelo de deteção de objectos mais robusto. Para obter mais detalhes, consulta o guia de formação.
How can I validate my YOLO11 model trained on the COCO8 dataset?
Validation of your YOLO11 model trained on the COCO8 dataset can be performed using the model's validation commands. You can invoke the validation mode via CLI or Python script to evaluate the model's performance using precise metrics. For detailed instructions, visit the Validation page.