Перейти к содержанию

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:

Образец изображения набора данных

  • 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.



📅 Создано 1 год назад ✏️ Обновлено 4 месяца назад

Комментарии