Набор данных COCO8

Введение

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 малый размер делает его очень удобным, а разнообразие гарантирует, что он послужит эффективной базовой проверкой перед масштабированием до более крупных наборов данных.

COCO8 полностью совместим с Ultralytics Platform и YOLO26, обеспечивая бесшовную интеграцию в твои рабочие процессы компьютерного зрения.

YAML набора данных

Конфигурация набора данных COCO8 определяется в файле YAML (Yet Another Markup Language), в котором указаны пути к набору данных, названия классов и другие важные метаданные. Ты можешь просмотреть официальный файл 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

Использование

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

Примеры изображений и аннотаций

Ниже представлен пример мозаичного тренировочного пакета из набора данных COCO8:

• Мозаичное изображение: На этом изображении показан тренировочный пакет, где несколько изображений из 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, поскольку он максимально увеличивает 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 COCO Consortium за их постоянный вклад в сообщество компьютерного зрения.

Часто задаваемые вопросы (FAQ)

Для чего используется набор данных Ultralytics COCO8?

Набор данных Ultralytics COCO8 предназначен для быстрого тестирования и отладки моделей обнаружения объектов. Всего с 8 изображениями (4 для обучения, 4 для проверки) он идеально подходит для проверки твоих конвейеров обучения YOLO и гарантии того, что всё работает должным образом перед масштабированием до больших наборов данных. Изучи YAML-конфигурацию COCO8 для получения подробной информации.

Как 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 опций обучения обратись к документации по обучению YOLO.

Почему мне стоит использовать Ultralytics Platform для управления моим обучением на COCO8?

Ultralytics Platform упрощает управление набором 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 запускать эксперименты одним нажатием и устраняет сложности ручной настройки. Узнай больше об Ultralytics Platform и о том, как она может ускорить твои проекты в области компьютерного зрения.

Каковы преимущества использования мозаичной аугментации при обучении с набором данных COCO8?

Мозаичная аугментация, используемая при обучении на COCO8, объединяет несколько изображений в одно во время каждого пакета. Это увеличивает разнообразие объектов и фонов, помогая твоей модели YOLO лучше обобщать новые сценарии. 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.

Как я могу проверить свою модель YOLO26, обученную на наборе данных COCO8?

Чтобы проверить свою модель YOLO26 после обучения на COCO8, используй команды валидации модели в Python или CLI. Это позволит оценить производительность твоей модели с использованием стандартных метрик. Пошаговые инструкции ищи в документации по валидации YOLO.