Набор данных COCO128

Введение

Ultralytics COCO128 — это небольшой, но универсальный набор данных для обнаружения объектов, состоящий из первых 128 изображений набора COCO train 2017. Этот набор данных идеально подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. Имея 128 изображений, он достаточно мал для легкого управления, но при этом достаточно разнообразен, чтобы проверять конвейеры обучения на наличие ошибок и служить средством проверки перед обучением на более крупных наборах данных.

Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.

YAML набора данных

YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях, классах и другие важные сведения. В случае с набором данных COCO128, файл coco128.yaml поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

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

# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128.zip

Использование

Чтобы обучить модель YOLO26n на наборе данных COCO128 в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице Обучение.

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций

Вот несколько примеров изображений из набора данных COCO128 вместе с соответствующими аннотациями:

• Мозаичное изображение: это изображение демонстрирует обучающую выборку, состоящую из мозаичных изображений набора данных. Мозаика — это метод, используемый во время обучения, который объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей выборке. Это помогает улучшить способность модели к обобщению на разные размеры объектов, соотношения сторон и контексты.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных COCO128, а также преимущества использования мозаики в процессе обучения.

Цитирование и благодарности

Если ты используешь набор данных COCO в своих исследованиях или разработках, пожалуйста, сошлися на следующую статью:

@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}
}

Мы хотели бы поблагодарить консорциум COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных COCO и его создателях посети веб-сайт набора данных COCO.

Часто задаваемые вопросы (FAQ)

Для чего используется набор данных Ultralytics COCO128?

Набор данных Ultralytics COCO128 — это компактное подмножество, содержащее первые 128 изображений из набора COCO train 2017. Он в основном используется для тестирования и отладки моделей обнаружения объектов, экспериментов с новыми подходами к обнаружению и проверки конвейеров обучения перед масштабированием на более крупные наборы данных. Его удобный размер делает его идеальным для быстрых итераций, при этом он обеспечивает достаточное разнообразие, чтобы быть значимым тестовым примером.

Как обучить модель YOLO26, используя набор данных COCO128?

Чтобы обучить модель YOLO26 на наборе данных COCO128, ты можешь использовать Python или команды CLI. Вот как это сделать:

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)

Для получения дополнительных параметров обучения смотри документацию Обучение.

Каковы преимущества использования мозаичной аугментации с COCO128?

Мозаичная аугментация, как показано на примерах изображений, объединяет несколько тренировочных изображений в одно составное изображение. Этот метод дает несколько преимуществ при обучении с COCO128:

• Увеличивает разнообразие объектов и контекстов внутри каждой обучающей партии
• Улучшает обобщающую способность модели для разных размеров объектов и соотношений сторон
• Повышает производительность обнаружения для объектов разных масштабов
• Максимизирует полезность небольшого набора данных за счет создания более разнообразных обучающих примеров

Этот метод особенно ценен для небольших наборов данных, таких как COCO128, помогая моделям изучать более надежные признаки на ограниченных данных.

Как COCO128 соотносится с другими вариантами набора данных COCO?

COCO128 (128 изображений) занимает промежуточное положение между COCO8 (8 изображений) и полным набором данных COCO (118K+ изображений) по размеру:

• COCO8: Содержит всего 8 изображений (4 для обучения, 4 для валидации) — идеально для быстрых тестов и отладки
• COCO128: Содержит 128 изображений — баланс между размером и разнообразием
• Полный COCO: Содержит более 118 тысяч тренировочных изображений — полный, но ресурсоемкий

COCO128 представляет собой хороший средний вариант, предлагая больше разнообразия, чем COCO8, и при этом оставаясь гораздо более удобным для экспериментов и начальной разработки моделей, чем полный набор COCO.

Могу ли я использовать COCO128 для задач, отличных от обнаружения объектов?

Хотя COCO128 в первую очередь разработан для обнаружения объектов, аннотации набора данных можно адаптировать для других задач компьютерного зрения:

• Сегментация экземпляров: Использование масок сегментации, предоставленных в аннотациях
• Обнаружение ключевых точек: Для изображений, содержащих людей с аннотациями ключевых точек
• Трансферное обучение: В качестве отправной точки для дообучения моделей под пользовательские задачи

Для специализированных задач, таких как сегментация, рассмотри использование специально созданных вариантов, таких как COCO8-seg, которые включают соответствующие аннотации.