Saltar para o conteúdo

Conjunto de dados COCO8-Pose

Introdução

Ultralytics O COCO8-Pose é um pequeno, mas versátil, conjunto de dados de deteção de pose composto pelas primeiras 8 imagens do conjunto COCO train 2017, 4 para treino e 4 para validação. Este conjunto de dados é ideal para testar e depurar modelos de deteção de objectos, ou para experimentar novas abordagens de deteção. Com 8 imagens, é suficientemente pequeno para ser facilmente gerível, mas suficientemente diversificado para testar os pipelines de treino quanto a erros e atuar como uma verificação de sanidade antes de treinar conjuntos de dados maiores.

Este conjunto de dados destina-se a ser utilizado com Ultralytics HUB e YOLO11.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) é utilizado 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 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

Para treinar um modelo YOLO11n-pose no conjunto de dados COCO8-Pose para 100 épocas com um tamanho de imagem de 640, pode utilizar os seguintes fragmentos de código. Para obter uma lista completa dos argumentos disponíveis, consulte a página Treinamento do modelo.

Exemplo de comboio

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Exemplos de imagens e anotações

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

Imagem de amostra do conjunto de dados

  • Imagem em mosaico: Esta imagem demonstra um lote de treino composto por imagens de conjuntos de dados em mosaico. O mosaico é uma técnica utilizada durante a formação que combina várias imagens numa única imagem para aumentar a variedade de objectos e cenas em cada lote de formação. Isto ajuda a melhorar a capacidade de generalização do modelo para diferentes tamanhos de objectos, proporções e contextos.

O exemplo mostra a variedade e complexidade das imagens no conjunto de dados COCO8-Pose e os benefícios da utilização de mosaicos durante o processo de formação.

Citações e agradecimentos

Se utilizar o conjunto de dados COCO no seu trabalho de investigação ou desenvolvimento, cite 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}
}

Gostaríamos de agradecer ao Consórcio COCO pela criação e manutenção deste valioso recurso para a comunidade da visão computacional. Para mais informações sobre o conjunto de dados COCO e os seus criadores, visite o sítio Web do conjunto de dados COCO.

FAQ

O que é o conjunto de dados COCO8-Pose e como é utilizado com Ultralytics YOLO11 ?

O conjunto de dados COCO8-Pose é um pequeno e versátil conjunto de dados de deteção de pose que inclui as 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. Este conjunto de dados é ideal para experiências rápidas com Ultralytics YOLO11. Para obter mais detalhes sobre a configuração do conjunto de dados, consulte o ficheiro YAML do conjunto de dados aqui.

Como é que treino um modelo YOLO11 utilizando o conjunto de dados COCO8-Pose em Ultralytics?

Para treinar um modelo YOLO11n-pose no conjunto de dados COCO8-Pose para 100 épocas com um tamanho de imagem de 640, siga estes exemplos:

Exemplo de comboio

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Para obter uma lista exaustiva dos argumentos de formação, consulte 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 completos de condutas.
  • 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 caraterísticas e utilização, consulte a secção Introdução ao conjunto de dados.

Como é que o mosaico beneficia o processo de formação YOLO11 utilizando o conjunto de dados COCO8-Pose?

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. Consulte a secção Imagens de amostra e anotações para obter imagens de exemplo.

Onde posso encontrar o ficheiro YAML do conjunto de dados COCO8-Pose e como o utilizo?

O ficheiro YAML do conjunto de dados COCO8-Pose pode ser encontrado aqui. Esse arquivo define a configuração do conjunto de dados, incluindo caminhos, classes e outras informações relevantes. Use esse arquivo com os scripts de treinamento YOLO11 , conforme mencionado na seção Exemplo de treinamento.

Para obter mais perguntas frequentes e documentação detalhada, visite a documentaçãoUltralytics .

📅C riado há 1 ano ✏️ Atualizado há 2 meses

Comentários