Датасет COCO128#

128

COCO128

ultralytics

publicDetect

COCO128 is an Ultralytics compact detection subset built from the first 128 COCO 2017 training images. Real bounding boxes span the 80-class taxonomy and include empty scenes, enabling fast checks of data loading, augmentation, training, validation, and export.

280 classes9.9 MBSep 2, 2026

personbicyclecarmotorcycle+76

object-detectioncocotesting+1

Введение#

Ultralytics COCO128 — небольшой, но универсальный датасет обнаружения объектов, состоящий из первых 128 изображений набора COCO train 2017. Он отлично подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. Благодаря 128 изображениям датасет достаточно мал, чтобы с ним было легко работать, и при этом достаточно разнообразен, чтобы проверять обучающие конвейеры на ошибки и проводить первичную проверку перед обучением на более крупных датасетах.

Этот датасет предназначен для использования с платформой Ultralytics и YOLO26.

Структура набора данных#

COCO128 содержит первые 128 изображений из набора COCO train 2017, размеченных с использованием 80 названий классов COCO (71 из них встречается на этих изображениях) в формате разметки YOLO. Одни и те же 128 изображений используются и для обучения, и для валидации, что делает датасет компактным и удобным для быстрой первичной проверки:

coco128/
├── images/
│   └── train2017/   # 128 images (used for both train and val)
└── labels/
    └── train2017/

Файл YAML набора данных#

Для задания конфигурации датасета используется YAML-файл. Он содержит сведения о путях к данным, классах и другие необходимые данные. Для датасета COCO128 файл coco128.yaml хранится 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/coco128
# 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#

Датасет COCO128 (7 МБ) загружается автоматически при первом запуске обучения. Чтобы обучить модель YOLO26n на COCO128 в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

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

Примеры изображений и аннотаций#

Вот несколько примеров изображений из датасета COCO128 с соответствующими аннотациями:

• Мозаичное изображение: на изображении показан обучающий батч, составленный из мозаично объединённых изображений датасета. Мозаичное объединение — это метод, применяемый во время обучения: несколько изображений объединяются в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает модели лучше обобщать данные для объектов разных размеров, с разными соотношениями сторон и в разных контекстах.

Этот пример демонстрирует разнообразие и сложность изображений в датасете COCO128, а также преимущества использования мозаичного объединения изображений в процессе обучения.

Цитирование и благодарности#

Если ты используешь датасет COCO в исследовательской или разработческой работе, укажи в ссылках 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 благодарим консорциум COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Подробнее о датасете COCO и его создателях можно узнать на сайте датасета COCO.

Часто задаваемые вопросы#