Link to this sectionНабор данных COCO128#

Link to this sectionВведение#

Ultralytics COCO128 — это небольшой, но универсальный набор данных для object detection, состоящий из первых 128 изображений из набора данных COCO train 2017. Этот набор данных идеально подходит для тестирования и отладки моделей обнаружения объектов или для экспериментов с новыми подходами к обнаружению. Со 128 изображениями он достаточно мал, чтобы им было легко управлять, и при этом достаточно разнообразен, чтобы проверять конвейеры обучения на наличие ошибок и служить первичной проверкой перед обучением на более крупных наборах данных.

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

Link to this sectionYAML набора данных#

Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях, классах и другие соответствующие сведения. В случае с набором данных 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.zip

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных COCO128 в течение 100 epochs с размером изображения 640, используй следующие фрагменты кода. Полный список доступных аргументов смотри на странице Training 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)

Link to this sectionПримеры изображений и аннотации#

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

• 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.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных COCO в своей 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 выразить признательность консорциуму COCO за создание и поддержку этого ценного ресурса для сообщества computer vision. Для получения дополнительной информации о наборе данных COCO и его создателях посети веб-сайт набора данных COCO.

Link to this sectionFAQ#

Link to this sectionДля 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 object detection, экспериментов с новыми подходами к обнаружению и проверки конвейеров обучения перед масштабированием на более крупные наборы данных. Его удобный размер делает его идеальным для быстрых итераций, обеспечивая при этом достаточное разнообразие, чтобы быть значимым тестовым примером.

Link to this sectionКак обучить модель YOLO26, используя набор данных COCO128?#

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

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 смотри в документации Training.

Link to this sectionВ чем преимущества использования мозаичной аугментации с COCO128?#

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.

Link to this sectionКак COCO128 соотносится с другими вариантами набора данных COCO?#

COCO128 (128 изображений) по размеру находится между COCO8 (8 изображений) и полным набором данных COCO (118K+ 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.

Link to this sectionМогу ли я использовать COCO128 для задач, отличных от обнаружения объектов?#

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 segmentation, рассмотри использование специально созданных вариантов, например COCO8-seg, которые включают соответствующие аннотации.