Перейти к содержанию

Набор данных COCO128

Введение

Ultralytics COCO128 — это небольшой, но универсальный набор данных обнаружения объектов, состоящий из первых 128 изображений из набора COCO train 2017. Этот набор данных идеально подходит для тестирования и отладки моделей обнаружения объектов или для экспериментов с новыми подходами к обнаружению. Благодаря 128 изображениям он достаточно мал, чтобы им было легко управлять, но достаточно разнообразен, чтобы тестировать конвейеры обучения на наличие ошибок и действовать в качестве проверки работоспособности перед обучением на больших наборах данных.



Смотреть: Обзор набора данных Ultralytics COCO

Этот набор данных предназначен для использования с Ultralytics HUB и YOLO11.

YAML-файл набора данных

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

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 YOLO11n на наборе данных COCO128 в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратитесь к странице Обучение модели.

Пример обучения

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

Примеры изображений и аннотации

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

Образец изображения набора данных

  • Скомпилированное изображение: Это изображение демонстрирует пакет обучения, состоящий из скомпилированных изображений набора данных. Компиляция — это метод, используемый во время обучения, который объединяет несколько изображений в одно изображение, чтобы увеличить разнообразие объектов и сцен в каждом пакете обучения. Это помогает улучшить способность модели обобщать различные размеры объектов, соотношения сторон и контексты.

Пример демонстрирует разнообразие и сложность изображений в наборе данных COCO128 и преимущества использования мозаики в процессе обучения.

Цитирование и благодарности

Если вы используете набор данных COCO в своей исследовательской или опытно-конструкторской работе, пожалуйста, сошлитесь 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 COCO Consortium за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных COCO и его создателях посетите веб-сайт набора данных COCO.

Часто задаваемые вопросы

Для чего используется набор данных Ultralytics COCO128?

Набор данных Ultralytics COCO128 — это компактное подмножество, содержащее первые 128 изображений из набора данных 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 до более крупных наборов данных. Его управляемый размер делает его идеальным для быстрой итерации, но при этом обеспечивает достаточное разнообразие, чтобы быть значимым тестовым примером.

Как обучить модель YOLO11, используя набор данных COCO128?

Чтобы обучить модель YOLO11 на наборе данных COCO128, вы можете использовать команды Python или CLI. Вот как это сделать:

Пример обучения

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

Дополнительные сведения о параметрах и опциях обучения см. в документации по Обучению.

Каковы преимущества использования мозаичной аугментации с COCO128?

Аугментация Mosaic, как показано на sample_images, объединяет несколько тренировочных изображений в одно составное изображение. Этот метод предоставляет несколько преимуществ при обучении с COCO128:

  • Увеличивает разнообразие объектов и контекстов в каждой обучающей выборке
  • Улучшает обобщение модели для различных размеров объектов и соотношений сторон
  • Повышает эффективность обнаружения объектов в различных масштабах
  • Максимизирует полезность небольшого набора данных путем создания более разнообразных обучающих выборок

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

Как COCO128 соотносится с другими вариантами набора данных COCO?

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

  • COCO8: Содержит всего 8 изображений (4 для обучения, 4 для валидации) - идеально подходит для быстрых тестов и отладки
  • COCO128: Содержит 128 изображений - сбалансированных по размеру и разнообразию
  • Полный COCO: Содержит более 118 тыс. обучающих изображений — исчерпывающий, но ресурсоемкий

COCO128 обеспечивает хорошую середину, предлагая большее разнообразие, чем COCO8, и при этом оставаясь гораздо более управляемым, чем полный набор данных COCO, для экспериментов и начальной разработки моделей.

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

Хотя COCO128 в первую очередь предназначен для обнаружения объектов, аннотации этого набора данных могут быть адаптированы для других задач компьютерного зрения:

  • Сегментация экземпляров: Использование масок сегментации, представленных в аннотациях.
  • Определение ключевых точек: Для изображений, содержащих людей с аннотациями ключевых точек
  • Трансферное обучение: В качестве отправной точки для точной настройки моделей для пользовательских задач.

Для специализированных задач, таких как сегментация, рассмотрите возможность использования специализированных вариантов, таких как COCO8-seg, которые включают соответствующие аннотации.



📅 Создано 5 месяцев назад ✏️ Обновлено 5 месяцев назад

Комментарии