Набор данных COCO8-Pose

Введение

Ultralytics COCO8-Pose — это небольшой, но универсальный набор данных для обнаружения поз, состоящий из первых 8 изображений набора COCO train 2017: 4 для обучения и 4 для проверки. Этот набор данных идеально подходит для тестирования и отладки моделей обнаружения объектов или для экспериментов с новыми подходами к обнаружению. Благодаря небольшому размеру (всего 8 изображений) его легко использовать, при этом он достаточно разнообразен, чтобы проверять пайплайны обучения на ошибки и проводить первичную проверку перед обучением на более крупных наборах данных.

Структура набора данных

• Общее количество изображений: 8 (4 для обучения / 4 для проверки).
• Классы: 1 (человек), по 17 ключевых точек на аннотацию.
• Рекомендуемая структура каталогов: datasets/coco8-pose/images/{train,val} и datasets/coco8-pose/labels/{train,val} с ключевыми точками в формате YOLO, сохраненными в .txt файлах.

Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.

YAML набора данных

Для определения конфигурации набора данных используется YAML (Yet Another Markup Language) файл. Он содержит информацию о путях к данным, классах и другую важную информацию. Для набора данных COCO8-Pose файл coco8-pose.yaml поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← 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-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Использование

Чтобы обучить модель YOLO26n-pose на наборе данных COCO8-Pose в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице Обучение модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

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

Примеры изображений и аннотаций

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

• Мозаичное изображение: это изображение демонстрирует обучающую выборку, состоящую из мозаичных изображений набора данных. Мозаика — это метод, используемый во время обучения, который объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей выборке. Это помогает улучшить способность модели к обобщению на разные размеры объектов, соотношения сторон и контексты.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных COCO8-Pose, а также преимущества использования мозаики в процессе обучения.

Цитирование и благодарности

Если ты используешь набор данных COCO в своих исследованиях или разработках, пожалуйста, сошлися 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}
}

Мы хотели бы поблагодарить консорциум COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных COCO и его создателях посети веб-сайт набора данных COCO.

Часто задаваемые вопросы (FAQ)

Что такое набор данных COCO8-Pose и как он используется с Ultralytics YOLO26?

Набор данных COCO8-Pose — это небольшой универсальный набор данных для обнаружения поз, который включает первые 8 изображений из набора COCO train 2017, из них 4 изображения для обучения и 4 для проверки. Он разработан для тестирования и отладки моделей обнаружения объектов и экспериментов с новыми подходами к детекции. Этот набор данных идеально подходит для быстрых экспериментов с Ultralytics YOLO26. Более подробную информацию о настройке набора данных ты найдешь в YAML файле набора данных.

Как мне обучить модель YOLO26 с использованием набора данных COCO8-Pose в Ultralytics?

Чтобы обучить модель YOLO26n-pose на наборе данных COCO8-Pose в течение 100 эпох с размером изображения 640, следуй этим примерам:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

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

Полный список аргументов обучения смотри на странице Обучение модели.

В чем преимущества использования набора данных COCO8-Pose?

Набор данных COCO8-Pose предлагает несколько преимуществ:

• Компактный размер: Всего 8 изображений, с которыми легко работать, что идеально для быстрых экспериментов.
• Разнообразные данные: Несмотря на малый размер, он включает в себя множество сцен, полезных для тщательного тестирования пайплайна.
• Отладка ошибок: Идеально подходит для выявления ошибок обучения и проведения первичных проверок перед масштабированием на большие наборы данных.

Больше информации о возможностях и использовании ты найдешь в разделе Введение в набор данных.

Какую пользу приносит использование мозаики в процессе обучения YOLO26 на наборе данных COCO8-Pose?

Мозаика, показанная в примерах изображений набора данных COCO8-Pose, объединяет несколько изображений в одно, увеличивая разнообразие объектов и сцен в каждом обучающем батче. Эта техника помогает улучшить способность модели к обобщению на объектах разного размера, с разными соотношениями сторон и контекстами, что в итоге повышает производительность модели. Примеры изображений смотри в разделе Примеры изображений и аннотаций.

Где найти YAML файл набора данных COCO8-Pose и как его использовать?

YAML файл набора данных COCO8-Pose можно найти по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Этот файл определяет конфигурацию набора данных, включая пути, классы и другую релевантную информацию. Используй этот файл со скриптами обучения YOLO26, как указано в разделе Пример обучения.

Больше ответов на частые вопросы и подробную документацию ты найдешь в Документации Ultralytics.