Link to this sectionDataset COCO8-Pose#

Link to this sectionIntrodução#

O COCO8-Pose da Ultralytics é um conjunto de dados de detecção de pose pequeno, porém versátil, composto pelas primeiras 8 imagens do conjunto de treinamento COCO 2017, sendo 4 para treinamento e 4 para validação. Este conjunto de dados é ideal para testar e depurar modelos de detecção de objetos ou para experimentar novas abordagens de detecção. Com 8 imagens, ele 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 integridade antes de treinar com conjuntos de dados maiores.

Link to this sectionEstrutura do Dataset#

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

Este conjunto de dados destina-se a ser utilizado com a Ultralytics Platform e YOLO26.

Link to this sectionYAML do Dataset#

Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos do conjunto de dados, classes e outras informações relevantes. 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

Link to this sectionUso#

Para treinar um modelo YOLO26n-pose no conjunto de dados COCO8-Pose por 100 épocas com um tamanho de imagem de 640, você pode usar os trechos de código a seguir. Para obter uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento 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)

Link to this sectionExemplos 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.

O exemplo mostra a variedade e a complexidade das imagens no conjunto de dados COCO8-Pose e os benefícios do uso de mosaico durante o processo de treinamento.

Link to this sectionCitações 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 COCO Consortium por criar e manter este recurso valioso para a comunidade de visão computacional. Para mais informações sobre o dataset COCO e seus criadores, visite o site do dataset COCO.

Link to this sectionFAQ#

Link to this sectionO que é o conjunto de dados COCO8-Pose e como ele é usado com o YOLO26 da Ultralytics?#

O conjunto de dados COCO8-Pose é um conjunto de dados de detecção de pose pequeno e versátil que inclui as primeiras 8 imagens do conjunto COCO train 2017, com 4 imagens para treinamento e 4 para validação. Ele foi projetado para testar e depurar modelos de detecção de objetos e experimentar novas abordagens de detecção. Este conjunto de dados é ideal para experimentos rápidos com o YOLO26 da Ultralytics. Para mais detalhes sobre a configuração do conjunto de dados, confira o arquivo YAML do conjunto de dados.

Link to this sectionComo treino um modelo YOLO26 usando o conjunto de dados COCO8-Pose no Ultralytics?#

Para treinar um modelo YOLO26n-pose no conjunto de dados COCO8-Pose por 100 épocas com um tamanho de imagem de 640, siga estes exemplos:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

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

Para uma lista abrangente de argumentos de treinamento, consulte a página de Treinamento do modelo.

Link to this sectionQuais são os benefícios de usar o conjunto de dados COCO8-Pose?#

O conjunto de dados COCO8-Pose oferece diversos benefícios:

• Tamanho compacto: Com apenas 8 imagens, é fácil de gerenciar e perfeito para experimentos rápidos.
• Dados diversos: Apesar de seu tamanho pequeno, inclui uma variedade de cenas, útil para testes minuciosos de pipeline.
• Depuração de erros: Ideal para identificar erros de treinamento e realizar verificações de integridade antes de escalar para conjuntos de dados maiores.

Para mais informações sobre seus recursos e uso, consulte a seção Introdução ao Conjunto de Dados.

Link to this sectionComo o mosaico beneficia o processo de treinamento do YOLO26 usando o conjunto de dados COCO8-Pose?#

O mosaico, demonstrado nas imagens de exemplo do conjunto de dados COCO8-Pose, combina várias imagens em uma só, aumentando a variedade de objetos e cenas dentro de cada lote de treinamento. Essa técnica ajuda a melhorar a capacidade do modelo de generalizar através de vários tamanhos de objeto, proporções e contextos, melhorando, por fim, o desempenho do modelo. Veja a seção Imagens e Anotações de Exemplo para exemplos de imagens.

Link to this sectionOnde posso encontrar o arquivo YAML do conjunto de dados COCO8-Pose e como posso usá-lo?#

O arquivo YAML do conjunto de dados COCO8-Pose pode ser encontrado em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Este arquivo define a configuração do conjunto de dados, incluindo caminhos, classes e outras informações relevantes. Use este arquivo com os scripts de treinamento do YOLO26 conforme mencionado na seção Exemplo de Treino.

Para mais FAQs e documentação detalhada, visita a Documentação da Ultralytics.