Набор данных COCO8
Введение
Набор данных Ultralytics COCO8 представляет собой 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 управляемым, а разнообразие гарантирует, что он служит эффективной проверкой работоспособности перед масштабированием до более крупных наборов данных.
Смотреть: Обзор набора данных Ultralytics COCO
COCO8 полностью совместим с Ultralytics HUB и YOLO11, обеспечивая бесшовную интеграцию в ваши рабочие процессы компьютерного зрения.
YAML-файл набора данных
Конфигурация набора данных COCO8 определена в YAML-файле (Yet Another Markup Language), который указывает пути к набору данных, названия классов и другие важные метаданные. Вы можете ознакомиться с официальным 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
Чтобы обучить модель YOLO11n 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 YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo11n.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 максимально увеличивает 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 компьютерное зрение.
Часто задаваемые вопросы
Для чего используется набор данных Ultralytics COCO8?
Набор данных Ultralytics COCO8 предназначен для быстрой проверки и отладки моделей обнаружения объектов. Всего с 8 изображениями (4 для обучения, 4 для проверки) он идеально подходит для проверки ваших конвейеров обучения YOLO и обеспечения того, что все работает должным образом, прежде чем масштабироваться до более крупных наборов данных. Изучите конфигурацию COCO8 YAML для получения более подробной информации.
Как обучить модель YOLO11, используя набор данных COCO8?
Вы можете обучить модель YOLO11 на COCO8, используя Python или CLI:
Пример обучения
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Дополнительные параметры обучения можно найти в документации по обучению YOLO.
Зачем использовать Ultralytics HUB для управления обучением COCO8?
Ultralytics HUB упрощает управление наборами данных, обучение и развертывание 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 проблемы с ручной настройкой. Узнайте больше об Ultralytics HUB и о том, как он может ускорить ваши проекты в области компьютерного зрения.
Каковы преимущества использования мозаичной аугментации при обучении с набором данных COCO8?
Аугментация мозаикой, используемая при обучении COCO8, объединяет несколько изображений в одно во время каждого пакета. Это увеличивает разнообразие объектов и фонов, помогая вашей модели YOLO лучше обобщать новые сценарии. Аугментация мозаикой особенно ценна для небольших наборов данных, поскольку она максимизирует информацию, доступную на каждом этапе обучения. Подробнее об этом см. в руководстве по обучению.
Как я могу проверить свою модель YOLO11, обученную на наборе данных COCO8?
Чтобы проверить вашу модель YOLO11 после обучения на COCO8, используйте команды валидации модели в Python или CLI. Это оценивает производительность вашей модели с использованием стандартных метрик. Пошаговые инструкции можно найти в документации по валидации YOLO.
