YOLO Vision 2026:
CC BY 4.0

Набор данных COCO128#

Введение#

Ultralytics COCO128 — это небольшой, но универсальный набор данных для обнаружения объектов, состоящий из первых 128 изображений из обучающего набора COCO train 2017. Этот датасет идеально подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к детекции. Благодаря 128 изображениям он достаточно мал для легкого управления и при этом достаточно разнообразен, чтобы проверять обучающие пайплайны на наличие ошибок и служить быстрой проверкой перед обучением на более крупных наборах данных.



Watch: Ultralytics COCO Dataset Overview

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

Структура набора данных#

COCO128 содержит первые 128 изображений из набора COCO train 2017, охватывающие все 80 классов объектов COCO в формате меток YOLO. Одни и те же 128 изображений используются как для обучающей, так и для валидационной выборки, что делает набор легким для быстрых проверок:

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

YAML набора данных#

Файл YAML используется для определения конфигурации датасета. Он содержит информацию о путях к данным, классах и другую релевантную информацию. Для набора данных COCO128 файл coco128.yaml 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/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#

Набор данных COCO128 (7 МБ) скачивается автоматически при первом запуске обучения. Чтобы обучить модель YOLO26n на COCO128 в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице Обучение модели.

Пример обучения
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 аннотации#

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

COCO128 object detection dataset mosaic training batch
  • Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

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

Цитирование и благодарности#

Если ты используешь набор данных COCO в своей исследовательской или разработческой работе, пожалуйста, процитируй следующую статью:

Цитата
@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 выражаем благодарность консорциуму COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о датасете COCO и его создателях посети сайт набора данных COCO.

FAQ#

  • Набор данных Ultralytics COCO128 представляет собой компактный поднабор, содержащий первые 128 изображений из датасета COCO train 2017. Он в основном используется для тестирования и отладки моделей обнаружения объектов, экспериментов с новыми подходами к детекции и проверки обучающих пайплайнов перед масштабированием до более крупных датасетов. Его управляемый размер идеально подходит для быстрых итераций, при этом он обладает достаточным разнообразием, чтобы быть полноценным тестовым примером.

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

    Пример обучения
    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)

    Дополнительные параметры и варианты обучения описаны в документации по Обучению.

  • Мозаичная аугментация (mosaic augmentation), как показано на примерах изображений, объединяет несколько обучающих изображений в одно составное изображение. Этот метод дает ряд 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 объектов в различных масштабах
    • Максимизирует полезность небольшого набора данных за счет создания более разнообразных обучающих образцов

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

  • По своему размеру COCO128 (128 изображений) занимает промежуточное положение между COCO8 (8 изображений) и полным набором данных COCO (более 118 тыс. изображений):

    • 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
    • Full COCO: Содержит 118K+ обучающих изображений — всеобъемлющий, но ресурсоемкий

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

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

    • Instance segmentation: Используя маски сегментации, предоставленные в аннотациях
    • Keypoint detection: Для изображений, содержащих людей с аннотациями ключевых точек
    • Transfer learning: В качестве отправной точки для дообучения моделей под конкретные задачи

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

Участники
GLglenn-jocher9RAraimbekovm3PDpderrenger1LAlakshanthad1

Комментарии