Meet YOLO26: next-gen vision AI.

Link to this sectionНабор данных COCO8-Pose#

Link to this sectionВведение#

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 валидации. Этот набор данных идеально подходит для тестирования и отладки моделей object detection или для экспериментов с новыми подходами к обнаружению. Имея всего 8 изображений, он достаточно мал, чтобы им было легко управлять, но при этом достаточно разнообразен, чтобы проверять пайплайны обучения на наличие ошибок и выполнять проверку работоспособности перед обучением на более крупных наборах данных.

Link to this sectionСтруктура набора данных#

  • Всего изображений: 8 (4 обучающих / 4 валидационных).
  • Классы: 1 (человек), с 17 ключевыми точками на аннотацию.
  • Рекомендуемая структура директорий: datasets/coco8-pose/images/{train,val} и datasets/coco8-pose/labels/{train,val} с ключевыми точками в формате YOLO, сохраненными в файлах .txt.

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

Link to this sectionYAML набора данных#

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

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

Link to this sectionИспользование#

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

Пример обучения
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)

Link to this sectionПримеры изображений и аннотации#

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

COCO8-pose keypoint estimation dataset mosaic
  • Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

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

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных COCO в своей исследовательской или разработческой работе, пожалуйста, процитируй следующую статью:

Цитата
@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 признательность консорциуму COCO за создание и поддержку этого ценного ресурса для сообщества computer vision. Для получения дополнительной информации о наборе данных COCO и его создателях посети веб-сайт набора данных COCO.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных COCO8-Pose и как он используется с Ultralytics YOLO26?#

Набор данных COCO8-Pose — это небольшой универсальный набор данных для обнаружения поз, включающий первые 8 изображений из набора COCO train 2017 (4 для обучения и 4 для валидации). Он создан для тестирования и отладки моделей обнаружения объектов и экспериментов с новыми методами. Этот набор идеально подходит для быстрых экспериментов с Ultralytics YOLO26. Более подробную информацию о настройке набора данных ты найдешь в файле YAML набора данных.

Link to this sectionКак обучить модель YOLO26, используя набор 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:

Пример обучения
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 для обучения см. на странице Обучения модели.

Link to this sectionВ чем преимущества использования набора данных COCO8-Pose?#

Набор данных COCO8-Pose предлагает несколько преимуществ:

  • Компактный размер: Имея всего 8 изображений, он прост в управлении и идеально подходит для быстрых экспериментов.
  • Разнообразные данные: Несмотря на малый размер, он включает множество сцен, полезных для тщательного тестирования пайплайна.
  • Отладка ошибок: Идеален для выявления ошибок обучения и проверки работоспособности перед масштабированием до более крупных наборов данных.

Дополнительную информацию о его функциях и использовании см. в разделе Введение в набор данных.

Link to this sectionКак мозаика помогает процессу обучения YOLO26 с использованием набора данных COCO8-Pose?#

Мозаика, продемонстрированная на примерах изображений из набора COCO8-Pose, объединяет несколько изображений в одно, увеличивая разнообразие объектов и сцен в каждом обучающем батче. Этот метод помогает улучшить способность модели обобщать данные при различных размерах объектов, соотношениях сторон и контекстах, что в конечном итоге повышает производительность модели. Смотри раздел Sample Images and Annotations для просмотра примеров изображений.

Link to this sectionГде найти YAML-файл набора данных COCO8-Pose и как его использовать?#

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

Чтобы найти больше ответов на частые вопросы и подробную документацию, посети Ultralytics Documentation.

Участники
GLglenn-jocher15JKjk4e2RAraimbekovm1MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

Комментарии