Conjunto de dados COCO8-Pose
Introdução
Ultralytics COCO8-Pose is a small, but versatile pose 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.
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-Pose, o ficheiro coco8-pose.yaml
é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.
ultralytics/cfg/datasets/coco8-pose.yaml
# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip
Utilização
To train a YOLO11n-pose model on the COCO8-Pose 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 estão alguns exemplos de imagens do conjunto de dados COCO8-Pose, 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-Pose e as vantagens 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
What is the COCO8-Pose dataset, and how is it used with Ultralytics YOLO11?
The COCO8-Pose dataset is a small, versatile pose detection dataset that includes the first 8 images from the COCO train 2017 set, with 4 images for training and 4 for validation. It's designed for testing and debugging object detection models and experimenting with new detection approaches. This dataset is ideal for quick experiments with Ultralytics YOLO11. For more details on dataset configuration, check out the dataset YAML file here.
How do I train a YOLO11 model using the COCO8-Pose dataset in Ultralytics?
To train a YOLO11n-pose model on the COCO8-Pose dataset for 100 epochs with an image size of 640, follow these examples:
Exemplo de comboio
Para obteres uma lista completa de argumentos de formação, consulta a página de formação de modelos.
Quais são as vantagens de utilizar o conjunto de dados COCO8-Pose?
O conjunto de dados COCO8-Pose oferece várias vantagens:
- Tamanho compacto: Com apenas 8 imagens, é fácil de gerir e perfeito para experiências rápidas.
- Dados diversificados: Apesar do seu pequeno tamanho, inclui uma variedade de cenas, úteis para testes de pipeline completos.
- Depuração de erros: Ideal para identificar erros de formação e efetuar verificações de sanidade antes de aumentar a escala para conjuntos de dados maiores.
Para mais informações sobre as suas características e utilização, consulta a secção Introdução ao conjunto de dados.
How does mosaicing benefit the YOLO11 training process using the COCO8-Pose dataset?
O mosaico, demonstrado nas imagens de amostra do conjunto de dados COCO8-Pose, combina várias imagens numa só, aumentando a variedade de objectos e cenas em cada lote de treino. Esta técnica ajuda a melhorar a capacidade do modelo para generalizar através de vários tamanhos de objectos, proporções e contextos, melhorando assim o desempenho do modelo. Consulta a secção Imagens de amostra e anotações para veres imagens de exemplo.
Onde posso encontrar o ficheiro YAML do conjunto de dados COCO8-Pose e como o utilizo?
The COCO8-Pose dataset YAML file can be found here. This file defines the dataset configuration, including paths, classes, and other relevant information. Use this file with the YOLO11 training scripts as mentioned in the Train Example section.
Para obter mais perguntas frequentes e documentação detalhada, visita a documentaçãoUltralytics .