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 обнаружения объектов, а также для экспериментов с новыми подходами к обнаружению. 8 изображений достаточно малы, чтобы ими можно было легко управлять, но при этом достаточно разнообразны, чтобы проверить обучающие конвейеры на наличие ошибок и послужить проверкой на вменяемость перед обучением более крупных наборов данных.

Этот набор данных предназначен для использования с Ultralytics HUB и YOLOv8.

Набор данных YAML

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

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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 YOLOv8n-pose на наборе данных COCO8-Pose в течение 100 эпох при размере изображения 640, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов ты найдешь на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-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 detect train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

Примеры изображений и аннотаций

Вот несколько примеров изображений из набора данных COCO8-Pose, а также соответствующие им аннотации:

• Мозаичное изображение: Это изображение демонстрирует тренировочную партию, состоящую из мозаичных изображений набора данных. Мозаика - это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей партии. Это помогает улучшить способность модели к обобщению на различные размеры объектов, соотношение сторон и контекст.

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

Цитаты и благодарности

Если ты используешь набор данных COCO в своих исследованиях или разработках, пожалуйста, ссылайся 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 консорциуму COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Чтобы узнать больше о наборе данных COCO и его создателях, посети сайт COCO dataset.

ВОПРОСЫ И ОТВЕТЫ

Что такое набор данных COCO8-Pose и как его использовать с Ultralytics YOLOv8 ?

Набор данных COCO8-Pose - это небольшой, универсальный набор данных для определения позы, который включает в себя первые 8 изображений из набора COCO train 2017, причем 4 изображения для обучения и 4 для проверки. 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 YOLOv8. Для получения более подробной информации о конфигурации набора данных посмотри YAML-файл набора данных здесь.

Как обучить модель YOLOv8 , используя набор данных COCO8-Pose в Ultralytics?

Чтобы обучить модель YOLOv8n-pose на наборе данных COCO8-Pose в течение 100 эпох при размере изображения 640, выполни следующие примеры:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")

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

yolo detect train data=coco8-pose.yaml model=yolov8n.pt epochs=100 imgsz=640

Полный список тренировочных аргументов ты найдешь на странице " Тренировка модели".

В чем преимущества использования набора данных COCO8-Pose?

Набор данных COCO8-Pose обладает рядом преимуществ:

• Компактный размер: В нем всего 8 изображений, поэтому им легко управлять и он идеально подходит для быстрых экспериментов.
• Разнообразные данные: Несмотря на небольшой размер, он включает в себя множество разнообразных сцен, что полезно для тщательного тестирования трубопровода.
• Отладка ошибок: Идеально подходит для выявления ошибок в обучении и проведения проверки на вменяемость перед масштабированием на большие наборы данных.

Подробнее о его возможностях и использовании читай в разделе " Введение в датасет ".

Какую пользу приносит мозаика в процессе обучения YOLOv8 с использованием набора данных COCO8-Pose?

Мозаика, продемонстрированная на примерах изображений из набора данных COCO8-Pose, объединяет несколько изображений в одно, увеличивая разнообразие объектов и сцен в каждой обучающей партии. Эта техника помогает улучшить способность модели обобщать различные размеры объектов, соотношение сторон и контекст, что в конечном итоге повышает производительность модели. Примеры изображений смотри в разделе " Примеры изображений и аннотаций ".

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

YAML-файл набора данных COCO8-Pose можно найти здесь. Этот файл определяет конфигурацию набора данных, включая пути, классы и другую необходимую информацию. Используй этот файл с обучающими скриптами YOLOv8 , о которых говорилось в разделе " Пример обучения ".

Больше часто задаваемых вопросов и подробную документацию можно найти на сайте Ultralytics Documentation.

Комментарии