Dataset COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

Sample dataset with 8 images from COCO for testing YOLO pose estimation models. Contains human keypoint annotations for body pose detection and tracking.

31 class618.2 KBMar 16, 2026

person

Introdução#

Ultralytics COCO8-Pose é um conjunto de dados de estimativa de pose pequeno, mas versátil, composto pelas primeiras 8 imagens do conjunto COCO train 2017 (4 para treino, 4 para validação), utilizando um esquema de 17 pontos-chave para a classe única "person". Este conjunto de dados é ideal para testar e depurar modelos de pose estimation ou para experimentar novas abordagens de detecção de pontos-chave. Com 8 imagens, é pequeno o suficiente para ser facilmente gerenciável, mas diverso o suficiente para testar pipelines de treinamento em busca de erros e servir como uma verificação de sanidade antes de treinar no conjunto de dados COCO-Pose completo.

Estrutura do Dataset#

• Total de imagens: 8 (4 de treino / 4 de val).
• Classes: 1 (pessoa) com 17 tipos de pontos-chave por anotação.
• Tamanho do download: ~1 MB.
• Disposição recomendada do diretório: datasets/coco8-pose/images/{train,val} e datasets/coco8-pose/labels/{train,val} com pontos-chave no formato YOLO armazenados como arquivos .txt.

Explora o COCO8-Pose no Ultralytics Platform para navegar por cada imagem com os seus esqueletos de pontos-chave, ver as distribuições de pontos-chave e classes na aba Charts e cloná-lo para treinar o teu próprio modelo na nuvem.

YAML do Dataset#

Um arquivo YAML é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, as classes e outras informações relevantes do conjunto de dados. No caso do conjunto de dados COCO8-Pose, o arquivo coco8-pose.yaml é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

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

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

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Uso#

Para treinar um modelo YOLO26n-pose no conjunto de dados COCO8-Pose por 100 epochs com um tamanho de imagem de 640, podes usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Training do modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

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

Exemplos de Imagens e Anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados COCO8-Pose, juntamente com suas anotações correspondentes:

• Imagem em Mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A mosaicação é uma técnica usada durante o treino que combina múltiplas imagens numa única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objeto, proporções e contextos.

Citações e Agradecimentos#

Se você utilizar o dataset COCO em seu trabalho de 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}
}

Gostaríamos de agradecer ao Consórcio COCO por criar e manter este recurso valioso para a comunidade de computer vision. Para obter mais informações sobre o conjunto de dados COCO e seus criadores, visita o COCO dataset website.

FAQ#