Набор данных COCO8#

Введение#

Датасет Ultralytics COCO8 — это компактный, но мощный датасет для обнаружения объектов, состоящий из первых 8 изображений из набора данных COCO train 2017: 4 для обучения и 4 для валидации. Этот датасет специально разработан для быстрого тестирования, отладки и экспериментов с моделями и обучающими конвейерами YOLO. Его малый размер делает его очень удобным в управлении, а разнообразие гарантирует, что он служит эффективной проверкой работоспособности перед масштабированием до более крупных датасетов.

Структура набора данных#

COCO8 включает первые 8 изображений из набора данных COCO train 2017 — 4 для обучения и 4 для валидации, охватывающих весь набор из 80 классов объектов COCO в формате меток YOLO:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Изучи COCO8 на платформе Ultralytics Platform, чтобы просмотреть каждое изображение с наложениями аннотаций, увидеть распределение классов и тепловые карты ограничивающих рамок на вкладке Charts, а также клонировать его для обучения собственной модели в облаке.

YAML набора данных#

Конфигурация датасета COCO8 определяется в YAML-файле, который задает пути к датасету, имена классов и другие важные метаданные. Ты можешь посмотреть официальный файл coco8.yaml в репозитории Ultralytics GitHub.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← downloads here (1 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: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8.zip

Использование#

Датасет COCO8 (1 МБ) загружается автоматически при первом запуске обучения. Чтобы обучить модель YOLO26n на COCO8 в течение 100 эпох с размером изображения 640, используй следующие примеры. Полный список параметров обучения см. в документации по обучению YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотации#

Ниже приведен пример мозаичного обучающего пакета из набора данных COCO8:

• Мозаичное изображение: На этом изображении показан обучающий пакет, в котором несколько изображений набора данных объединены с помощью мозаичной аугментации. Мозаичная аугментация увеличивает разнообразие объектов и сцен в каждом пакете, помогая модели лучше обобщать данные для различных размеров объектов, соотношений сторон и фонов.

Этот метод особенно полезен для небольших наборов данных, таких как COCO8, так как он максимизирует ценность каждого изображения во время обучения.

Цитирование и благодарности#

Если ты используешь набор данных COCO в своих исследованиях или разработках, 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}
}

Особая благодарность Консорциуму COCO за их постоянный вклад в сообщество компьютерного зрения.

FAQ#