Перейти к содержанию

Набор данных COCO8-Pose

Введение

Ultralytics COCO8-Pose — это небольшой, но универсальный набор данных для определения позы, 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 object detection или для экспериментов с новыми подходами к detect. Благодаря 8 изображениям он достаточно мал, чтобы им было легко управлять, но достаточно разнообразен, чтобы протестировать конвейеры обучения на наличие ошибок и действовать в качестве проверки работоспособности перед обучением на больших наборах данных.

Структура набора данных

  • Всего изображений: 8 (4 для обучения / 4 для валидации).
  • Классы: 1 (человек) с 17 ключевыми точками на аннотацию.
  • Рекомендуемая структура каталогов: datasets/coco8-pose/images/{train,val} и datasets/coco8-pose/labels/{train,val} с ключевыми точками в формате YOLO, хранящимися как .txt files.

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

YAML-файл набора данных

Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях, классах и другой релевантной информации набора данных. В случае набора данных COCO8-Pose, coco8-pose.yaml файл 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

Использование

Чтобы обучить модель YOLO26n-pose на наборе данных COCO8-Pose в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице «Обучение» 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)

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640

Примеры изображений и аннотации

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

Мозаика набора данных оценки ключевых точек COCO8

  • Скомпилированное изображение: Это изображение демонстрирует пакет обучения, состоящий из скомпилированных изображений набора данных. Компиляция — это метод, используемый во время обучения, который объединяет несколько изображений в одно изображение, чтобы увеличить разнообразие объектов и сцен в каждом пакете обучения. Это помогает улучшить способность модели обобщать различные размеры объектов, соотношения сторон и контексты.

В примере демонстрируется разнообразие и сложность изображений в наборе данных COCO8-Pose, а также преимущества использования мозаики в процессе обучения.

Цитирование и благодарности

Если вы используете набор данных COCO в своей исследовательской или опытно-конструкторской работе, 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}
}

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

Часто задаваемые вопросы

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: 4 изображения для обучения и 4 для валидации. Он предназначен для тестирования и отладки моделей обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. Этот набор данных идеально подходит для быстрых экспериментов с Ultralytics YOLO26. Более подробную информацию о конфигурации набора данных см. в YAML-файле набора данных.

Как 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, следуйте 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)

yolo pose train data=coco8-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640

Для получения полного списка аргументов обучения обратитесь к странице Обучение модели.

Каковы преимущества использования набора данных COCO8-Pose?

Датасет COCO8-Pose предлагает несколько преимуществ:

  • Компактный размер: Всего 8 изображений, что упрощает управление и идеально подходит для быстрых экспериментов.
  • Разнообразные данные: Несмотря на свой небольшой размер, он включает в себя множество сцен, полезных для тщательного тестирования конвейера.
  • Отладка ошибок: Идеально подходит для выявления ошибок обучения и выполнения sanity check перед масштабированием на большие наборы данных.

Для получения дополнительной информации о его функциях и использовании см. раздел Введение в набор данных.

Какую пользу приносит мозаичное аугментация процессу обучения YOLO26 с использованием набора данных COCO8-Pose?

Мозаика, продемонстрированная на sample_images набора данных COCO8-Pose, объединяет несколько изображений в одно, увеличивая разнообразие объектов и сцен в каждом пакете обучения. Этот метод помогает улучшить способность модели обобщать различные размеры объектов, соотношения сторон и контексты, что в конечном итоге повышает производительность модели. См. раздел Sample Images and Annotations с примерами изображений.

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

Файл YAML 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 соответствующую информацию. Используйте этот файл со скриптами обучения YOLO26, как указано в разделе Пример обучения.

Для получения дополнительных часто задаваемых вопросов и подробной документации посетите документацию Ultralytics.



📅 Создано 2 лет назад ✏️ Обновлено 7 дней назад
glenn-jocherUltralyticsAssistantjk4eMatthewNoyceRizwanMunawarhnliu_2@stu.xidian.edu.cn

Комментарии