Набор данных COCO8-Pose
Введение
Ultralytics COCO8-Pose — это небольшой, но универсальный набор данных для определения позы, 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 8 изображениям он достаточно мал, чтобы им было легко управлять, но достаточно разнообразен, чтобы тестировать конвейеры обучения на наличие ошибок и действовать как проверка работоспособности перед обучением на больших наборах данных.
Этот набор данных предназначен для использования с Ultralytics HUB и YOLO11.
YAML-файл набора данных
YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к набору данных, классах и другую важную информацию. 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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip
Использование
Чтобы обучить модель YOLO11n-pose на наборе данных COCO8-Pose в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратитесь к странице Training модели.
Пример обучения
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-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=yolo11n-pose.pt epochs=100 imgsz=640
Примеры изображений и аннотации
Вот несколько примеров изображений из набора данных COCO8-Pose с соответствующими аннотациями:
- 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.
Этот пример демонстрирует разнообразие и сложность изображений в наборе данных COCO8-Pose и 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 поблагодарить 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 YOLO11?
Набор данных COCO8-Pose — это небольшой, универсальный набор данных для определения позы, который включает в себя первые 8 изображений из набора COCO train 2017, с 4 изображениями для обучения и 4 для проверки. Он предназначен для тестирования и отладки моделей обнаружения объектов и экспериментов с новыми подходами к обнаружению. Этот набор данных идеально подходит для быстрых экспериментов с Ultralytics YOLO11. Для получения более подробной информации о конфигурации набора данных обратитесь к YAML-файлу набора данных.
Как обучить модель YOLO11, используя набор данных COCO8-Pose в Ultralytics?
Чтобы обучить модель YOLO11n-pose на наборе данных COCO8-Pose в течение 100 эпох с размером изображения 640, воспользуйтесь следующими примерами.
Пример обучения
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt")
# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)
yolo pose train data=coco8-pose.yaml model=yolo11n-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.
Как мозаика влияет на процесс обучения YOLO11 с использованием набора данных COCO8-Pose?
Мозаика, продемонстрированная на sample_images датасета COCO8-Pose, объединяет несколько изображений в одно, увеличивая разнообразие объектов и сцен в каждом тренировочном пакете. Этот метод помогает улучшить способность модели к обобщению для различных размеров объектов, соотношений сторон и контекстов, что в конечном итоге повышает производительность модели. Примеры изображений смотрите в разделе Sample Images and Annotations.
Где я могу 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. Используйте этот файл со скриптами обучения YOLO11, как указано в разделе Пример обучения.
Для получения дополнительных часто задаваемых вопросов и подробной документации посетите документацию Ultralytics.