Перейти к содержанию

Набор данных COCO8

Введение

Ultralytics COCO8 - это небольшой, но универсальный 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 идеально подходит для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. 8 изображений достаточно малы, чтобы ими можно было легко управлять, но при этом достаточно разнообразны, чтобы проверить обучающие конвейеры на наличие ошибок и послужить проверкой на вменяемость перед обучением более крупных наборов данных.



Смотреть: Ultralytics Обзор набора данных COCO

Этот набор данных предназначен для использования с Ultralytics HUB и YOLO11.

Набор данных YAML

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). Он содержит информацию о путях, классах и другую необходимую информацию о наборе данных. В случае с набором данных COCO8 файл coco8.yaml файл хранится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml.

ultralytics/cfg/datasets/coco8.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 YOLO11n на наборе данных COCO8 в течение 100 эпох при размере изображения 640 можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения модели.

Пример поезда

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Образцы изображений и аннотаций

Вот несколько примеров изображений из набора данных COCO8 с соответствующими аннотациями:

Образец изображения из набора данных

  • Мозаичное изображение: Это изображение демонстрирует обучающую партию, состоящую из мозаичных изображений набора данных. Мозаика - это техника, используемая в процессе обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей партии. Это помогает улучшить способность модели к обобщению для различных размеров объектов, соотношения сторон и контекста.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных COCO8 и преимущества использования мозаики в процессе обучения.

Цитаты и благодарности

Если вы используете набор данных COCO в своих исследованиях или разработках, пожалуйста, ссылайтесь на следующий документ:

@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}
}

Мы хотели бы выразить благодарность консорциуму COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Более подробную информацию о наборе данных COCO и его создателях можно найти на сайте набора данных COCO.

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Для чего используется набор данных Ultralytics COCO8?

Набор данных Ultralytics COCO8 - это компактный, но универсальный набор данных для обнаружения объектов, состоящий из первых 8 изображений из набора COCO train 2017: 4 изображения для обучения и 4 для проверки. Он предназначен для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. Несмотря на небольшой размер, COCO8 предлагает достаточно разнообразия, чтобы служить проверкой на вменяемость для ваших обучающих конвейеров перед развертыванием более крупных наборов данных. Для получения более подробной информации ознакомьтесь с набором данных COCO8.

Как обучить модель YOLO11 с помощью набора данных COCO8?

Чтобы обучить модель YOLO11 на наборе данных COCO8, вы можете использовать команды Python или CLI . Вот как можно начать:

Пример поезда

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

Полный список доступных аргументов см. на странице обучения модели.

Почему я должен использовать Ultralytics HUB для управления своим обучением COCO8?

Ultralytics HUB - это универсальный веб-инструмент, разработанный для упрощения обучения и развертывания моделей YOLO , включая модели Ultralytics YOLO11 на наборе данных COCO8. Он предлагает облачное обучение, отслеживание в реальном времени и беспрепятственное управление набором данных. HUB позволяет начать обучение одним щелчком мыши и избежать сложностей, связанных с ручными настройками. Узнайте больше об Ultralytics HUB и его преимуществах.

Каковы преимущества использования мозаичного дополнения при обучении с помощью набора данных COCO8?

Мозаичное наращивание, продемонстрированное в наборе данных COCO8, позволяет объединить несколько изображений в одно во время обучения. Эта техника увеличивает разнообразие объектов и сцен в каждой обучающей партии, улучшая способность модели обобщать различные размеры объектов, соотношение сторон и контекст. В результате получается более надежная модель обнаружения объектов. Более подробную информацию можно найти в руководстве по обучению.

Как проверить модель YOLO11 , обученную на наборе данных COCO8?

Валидация модели YOLO11 , обученной на наборе данных COCO8, может быть выполнена с помощью команд валидации модели. Вы можете вызвать режим валидации через скрипт CLI или Python , чтобы оценить работу модели с помощью точных метрик. Для получения подробных инструкций посетите страницу Валидация.

📅 Создано 1 год назад ✏️ Обновлено 1 месяц назад
УльтралитикаПомощник гленн-джохер Мэтью Нойс РизванМунавар Laughing-q

Комментарии