Датасет COCO128#
Введение#
Ultralytics COCO128 — это небольшой, но универсальный датасет для обнаружения объектов, состоящий из первых 128 изображений из набора COCO train 2017. Этот датасет идеально подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. Благодаря 128 изображениям он достаточно мал, чтобы им было легко управлять, но при этом достаточно разнообразен для проверки пайплайнов обучения на наличие ошибок и использования в качестве проверки здравого смысла перед обучением на более крупных датасетах.
Watch: Ultralytics COCO Dataset Overview
Этот датасет предназначен для использования с Ultralytics Platform и YOLO26.
Структура датасета#
COCO128 содержит первые 128 изображений из набора COCO train 2017 и охватывает все 80 классов объектов COCO в формате меток YOLO. Те же 128 изображений используются и для обучения, и для валидации, что делает датасет компактным и удобным для быстрых проверок здравого смысла:
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/YAML датасета#
Для определения конфигурации датасета используется YAML-файл. Он содержит информацию о путях к датасету, классах и другие важные сведения. Для датасета 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/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.zipИспользование#
Датасет COCO128 (7 МБ) автоматически загружается при первом запуске обучения. Чтобы обучить модель YOLO26n на COCO128 в течение 100 эпох с размером изображения 640, можно использовать следующие фрагменты кода. Полный список доступных аргументов приведён на странице обучения модели.
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#
Ниже приведены примеры изображений из датасета COCO128 вместе с соответствующими аннотациями:
- Мозаичное изображение: на этом изображении показан обучающий батч, составленный из мозаичных изображений датасета. Мозаицирование — это применяемая во время обучения техника, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает улучшить способность модели 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 смешивания в процессе обучения.
Цитирование и благодарности#
Если ты используешь датасет COCO в исследовательской или разработческой работе, пожалуйста, процитируй 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. Дополнительную информацию о датасете COCO и его создателях можно найти на веб-сайте датасета COCO.
Часто задаваемые вопросы#
Датасет Ultralytics COCO128 — это компактное подмножество, содержащее первые 128 изображений из датасета COCO train 2017. Он главным образом используется для тестирования и отладки моделей обнаружения объектов, экспериментов с новыми подходами к обнаружению и проверки пайплайнов обучения перед масштабированием до более крупных датасетов. Удобный размер делает его идеальным для быстрых итераций, сохраняя при этом достаточное разнообразие для содержательного тестирования.
Чтобы обучить модель YOLO26 на датасете COCO128, можно использовать команды Python или CLI. Вот как это сделать:
Пример обученияfrom ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model results = model.train(data="coco128.yaml", epochs=100, imgsz=640)Дополнительные варианты и параметры обучения см. в документации по обучению.
Мозаичная аугментация, показанная на примерах изображений, объединяет несколько изображений для обучения в одно составное изображение. При обучении с COCO128 этот метод даёт несколько преимуществ:
- Увеличивает разнообразие объектов и контекстов в каждом пакете обучения
- Улучшает обобщающую способность модели для объектов разных размеров и пропорций
- Повышает качество обнаружения объектов в различных масштабах
- Максимально повышает эффективность небольшого датасета за счёт создания более разнообразных обучающих примеров
Этот метод особенно полезен для небольших датасетов, таких как COCO128, поскольку помогает моделям изучать более устойчивые признаки на основе ограниченного объёма данных.
COCO128 (128 изображений) по размеру занимает промежуточное положение между COCO8 (8 изображений) и полным датасетом COCO (более 118 тыс. изображений):
- COCO8: содержит всего 8 изображений (4 для обучения и 4 для валидации) — идеально подходит для быстрых тестов и отладки
- COCO128: содержит 128 изображений — обеспечивает баланс между размером и разнообразием
- Полный COCO: содержит более 118 тыс. обучающих изображений — является всеобъемлющим, но требует значительных ресурсов
COCO128 предлагает удачный компромисс: он обеспечивает большее разнообразие, чем COCO8, и при этом гораздо удобнее полного датасета COCO для экспериментов и первоначальной разработки моделей.
Хотя COCO128 в первую очередь предназначен для обнаружения объектов, аннотации датасета можно адаптировать для других задач компьютерного зрения:
- Сегментация экземпляров: с использованием масок сегментации, предоставленных в аннотациях
- Обнаружение ключевых точек: для изображений с людьми, имеющих аннотации ключевых точек
- Перенос обучения: в качестве отправной точки для дообучения моделей под пользовательские задачи
Для специализированных задач, таких как сегментация, рассмотрите специально предназначенные варианты, например COCO8-seg, которые содержат соответствующие аннотации.