Датасет COCO8-Pose#

8

coco8-pose

ultralytics

publicPose

COCO8-Pose is Ultralytics' minimal human-pose smoke-test set: four training and four validation images sampled from COCO. Each person uses the standard 17-keypoint body layout, allowing rapid validation of pose data loading, augmentation, training, and export workflows.

31 class618.2 KBSep 2, 2026

person

Введение#

Ultralytics COCO8-Pose — это небольшой, но универсальный датасет для оценки поз, состоящий из первых 8 изображений из набора COCO train 2017 (4 для обучения и 4 для валидации) и использующий схему из 17 ключевых точек для единственного класса «person». Этот датасет идеально подходит для тестирования и отладки моделей оценки поз, а также для экспериментов с новыми подходами к обнаружению ключевых точек. Всего 8 изображений — достаточно мало, чтобы с датасетом было легко работать, но достаточно разнообразно, чтобы выявлять ошибки в конвейерах обучения и выполнять проверку работоспособности перед обучением на полном датасете COCO-Pose.

Структура датасета#

• Всего изображений: 8 (4 train / 4 val).
• Классы: 1 (person), по 17 типов ключевых точек для каждой аннотации.
• Размер загрузки: ~1 МБ.
• Рекомендуемая структура каталогов: datasets/coco8-pose/images/{train,val} и datasets/coco8-pose/labels/{train,val}, а ключевые точки в формате YOLO хранятся в файлах .txt.

Изучай COCO8-Pose на платформе Ultralytics: просматривай каждое изображение с его скелетами ключевых точек, смотри распределение ключевых точек и классов на вкладке Charts, а также клонируй датасет, чтобы обучить собственную модель в облаке.

YAML датасета#

Для определения конфигурации датасета используется YAML-файл. Он содержит сведения о путях к датасету, классах и другую необходимую информацию. Для датасета 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 датасете COCO8-Pose в течение 100 эпох с размером изображения 640, можно использовать следующие фрагменты кода. Полный список доступных аргументов смотри на странице обучения 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#

Ниже приведены примеры изображений из датасета COCO8-Pose с соответствующими аннотациями:

• Мозаичное изображение: на этом изображении показан обучающий батч, составленный из мозаичных изображений датасета. Мозаицирование — это применяемая во время обучения техника, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает улучшить способность модели обобщать данные для объектов разных размеров, с разными соотношениями сторон и в разных контекстах.

Цитирование и благодарности#

Если ты используешь датасет COCO в исследовательской или разработческой работе, 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}
}

Мы хотели бы поблагодарить COCO Consortium за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Дополнительную информацию о датасете COCO и его создателях можно найти на веб-сайте датасета COCO.

Часто задаваемые вопросы#