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:
- 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.
