Набор данных COCO8
Введение
Датасет Ultralytics COCO8 — это компактный, но мощный датасет для object detection, состоящий из первых 8 изображений из набора COCO train 2017—4 для обучения и 4 для валидации. Этот датасет специально разработан для быстрого тестирования, отладки и экспериментов с моделями YOLO и конвейерами обучения. Его небольшой размер делает его очень управляемым, а разнообразие гарантирует, что он служит эффективной проверкой работоспособности перед масштабированием до более крупных датасетов.
Смотреть: Обзор набора данных Ultralytics COCO
COCO8 полностью совместим с платформой Ultralytics и YOLO26, что обеспечивает бесшовную интеграцию в ваши рабочие процессы компьютерного зрения.
YAML-файл набора данных
Конфигурация датасета COCO8 определена в файле YAML (Yet Another Markup Language), который определяет пути к датасету, названия классов и другие важные метаданные. Вы можете просмотреть официальный coco8.yaml файл в репозиторий Ultralytics GitHub.
ultralytics/cfg/datasets/coco8.yaml
# 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
Для обучения модели YOLO26n на наборе данных COCO8 в течение 100 эпох с размером изображения 640 используйте следующие примеры. Полный список параметров обучения см. в документации по обучению YOLO.
Пример обучения
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)
# Train YOLO26n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640
Примеры изображений и аннотации
Ниже приведен пример мозаичного пакета обучения из набора данных COCO8:
- Мозаичное изображение: Это изображение иллюстрирует пакет обучения, в котором несколько изображений набора данных объединены с использованием мозаичной аугментации. Мозаичная аугментация увеличивает разнообразие объектов и сцен в каждом пакете, помогая модели лучше обобщать различные размеры объектов, соотношения сторон и фоны.
Этот метод особенно полезен для небольших наборов данных, таких как COCO8, поскольку он максимизирует ценность каждого изображения во время обучения.
Цитирование и благодарности
Если вы используете набор данных COCO в своих исследованиях или разработках, 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}
}
Особая благодарность COCO Consortium за их постоянный вклад в сообщество компьютерного зрения.
Часто задаваемые вопросы
Для чего используется набор данных Ultralytics COCO8?
Датасет Ultralytics COCO8 предназначен для быстрого тестирования и отладки моделей detect объектов. Всего с 8 изображениями (4 для обучения, 4 для валидации) он идеально подходит для проверки ваших конвейеров обучения YOLO и обеспечения того, что все работает должным образом, прежде чем переходить к более крупным наборам данных. Изучите конфигурацию COCO8 YAML для получения более подробной информации.
Как обучить модель YOLO26 с использованием набора данных COCO8?
Вы можете обучить модель YOLO26 на COCO8, используя Python или CLI:
Пример обучения
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)
yolo detect train data=coco8.yaml model=yolo26n.pt epochs=100 imgsz=640
Дополнительные параметры обучения можно найти в документации по обучению YOLO.
Почему я должен использовать платформу Ultralytics для управления обучением на COCO8?
Платформа Ultralytics упрощает управление наборами данных, обучение и развертывание для моделей YOLO, включая COCO8. Благодаря таким функциям, как облачное обучение, мониторинг в реальном времени и интуитивно понятная обработка наборов данных, HUB позволяет запускать эксперименты одним щелчком мыши и устраняет сложности ручной настройки. Узнайте больше о платформе Ultralytics и о том, как она может ускорить ваши проекты в области компьютерного зрения.
Каковы преимущества использования мозаичной аугментации при обучении с набором данных COCO8?
Аугментация Mosaic, как используется при обучении COCO8, объединяет несколько изображений в одно во время каждого пакета. Это увеличивает разнообразие объектов и фонов, помогая вашей модели YOLO лучше обобщаться на новые сценарии. Аугментация Mosaic особенно ценна для небольших наборов данных, поскольку она максимизирует информацию, доступную на каждом этапе обучения. Дополнительную информацию см. в руководстве по обучению.
Как я могу проверить свою модель YOLO26, обученную на наборе данных COCO8?
Для проверки модели YOLO26 после обучения на COCO8 используйте команды валидации модели в Python или CLI. Это позволяет оценить производительность вашей модели с использованием стандартных метрик. Пошаговые инструкции см. в документации по валидации YOLO.
