Link to this sectionНабор данных COCO8#

Link to this sectionВведение#

Набор данных Ultralytics COCO8 — это компактный, но мощный набор данных для обнаружения объектов, состоящий из первых 8 изображений из набора COCO train 2017 — 4 для обучения и 4 для проверки. Этот набор данных специально разработан для быстрого тестирования, отладки и экспериментов с моделями YOLO и конвейерами обучения. Его небольшой размер делает его очень удобным, а разнообразие гарантирует, что он послужит эффективной проверкой работоспособности перед переходом к более крупным наборам данных.

COCO8 полностью совместим с Ultralytics Platform и YOLO26, что обеспечивает беспрепятственную интеграцию в твои рабочие процессы компьютерного зрения.

Link to this sectionYAML набора данных#

Конфигурация набора данных COCO8 определяется в файле YAML (Yet Another Markup Language), в котором указываются пути к набору данных, названия классов и другие важные метаданные. Ты можешь ознакомиться с официальным файлом coco8.yaml в репозитории Ultralytics на 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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных COCO8 в течение 100 эпох с размером изображения 640, используй следующие примеры. Полный список вариантов обучения смотри 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)

Link to this sectionПримеры 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.

Link to this sectionЦитирование 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.

Link to this sectionFAQ#

Link to this sectionДля чего используется набор данных Ultralytics COCO8?#

Набор данных Ultralytics COCO8 предназначен для быстрого тестирования и отладки моделей обнаружения объектов. Имея всего 8 изображений (4 для обучения, 4 для проверки), он идеально подходит для проверки твоих конвейеров обучения YOLO и гарантии того, что всё работает как ожидается, перед переходом к более крупным наборам данных. Изучи YAML-конфигурацию COCO8 для получения более подробной информации.

Link to this sectionКак обучить модель YOLO26, используя набор данных COCO8?#

Ты можешь обучить модель YOLO26 на COCO8, используя Python или CLI:

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)

Для получения дополнительных параметров обучения обратись к документации по обучению YOLO.

Link to this sectionПочему мне стоит использовать Ultralytics Platform для управления моим обучением на COCO8?#

Ultralytics Platform упрощает управление наборами данных, обучение и развертывание моделей YOLO, включая COCO8. Благодаря таким функциям, как облачное обучение, мониторинг в реальном времени и интуитивно понятная работа с наборами данных, HUB позволяет тебе запускать эксперименты одним нажатием кнопки и избавляет от хлопот с ручной настройкой. Узнай больше об Ultralytics Platform и о том, как она может ускорить твои проекты по компьютерному зрению.

Link to this sectionКаковы преимущества использования мозаичной аугментации при обучении с набором данных COCO8?#

Мозаичная аугментация, используемая при обучении на COCO8, объединяет несколько изображений в одно в каждом пакете. Это увеличивает разнообразие объектов и фонов, помогая твоей модели YOLO лучше обобщать данные для новых сценариев. Мозаичная аугментация особенно ценна для небольших наборов данных, так как она максимизирует информацию, доступную на каждом этапе обучения. Подробнее об этом смотри в руководстве по обучению.

Link to this sectionКак я могу проверить свою модель YOLO26, обученную на наборе данных COCO8?#

Чтобы проверить свою модель YOLO26 после обучения на COCO8, используй команды проверки модели в Python или CLI. Это позволит оценить производительность твоей модели с использованием стандартных метрик. Для получения пошаговых инструкций посети документацию по проверке YOLO.