YOLO Vision 2026:
CC BY 4.0

COCO8 Veri Kümesi#

Giriş#

Ultralytics COCO8 veri seti, COCO train 2017 setindeki ilk 8 görüntüden (4'ü eğitim ve 4'ü doğrulama için) oluşan, kompakt ama güçlü bir object detection veri setidir. Bu veri seti, YOLO modelleri ve eğitim boru hatlarıyla hızlı test, hata ayıklama ve deneme yapılması için özel olarak tasarlanmıştır. Küçük boyutu sayesinde yönetimi son derece kolaydır, çeşitliliği ise daha büyük veri setlerine ölçeklendirmeden önce etkili bir akıl sağlığı kontrolü (sanity check) görevi görmesini sağlar.



Watch: Ultralytics COCO Dataset Overview

Veri Kümesi Yapısı#

COCO8, COCO train 2017 setindeki ilk 8 görüntüyü (4'ü eğitim ve 4'ü doğrulama için) kapsar ve 80 COCO nesne sınıfının tümünü YOLO label format ile içerir:

coco8/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Her bir görüntüyü ek açıklama kaplamalarıyla incelemek, sınıf dağılımını ve BBox ısı haritalarını Charts sekmesinde görüntülemek ve bulutta kendi modelini eğitmek için kopyalamak üzere COCO8 on Ultralytics Platform seçeneğini keşfet.

Veri Kümesi YAML#

COCO8 veri seti yapılandırması, veri seti yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML dosyasında tanımlanır. Resmi coco8.yaml dosyasını Ultralytics GitHub repository içinde inceleyebilirsin.

ultralytics/cfg/datasets/coco8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8 ← 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 # 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)

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

Kullanım#

COCO8 veri seti (1 MB), eğitimi ilk kez başlattığında otomatik olarak indirilir. 640 görüntü boyutuyla COCO8 üzerinde 100 epochs boyunca bir YOLO26n modelini eğitmek için aşağıdaki örnekleri kullan. Tüm eğitim seçeneklerinin tam listesi için YOLO Training documentation sayfasına göz at.

Eğitim Örneği
from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda, COCO8 veri kümesinden mozaiklenmiş bir eğitim grubu örneği yer almaktadır:

COCO8 object detection dataset mosaic training batch
  • Mozaiklenmiş Görüntü: Bu görüntü, birden fazla veri kümesi görüntüsünün mozaik artırma yöntemiyle birleştirildiği bir eğitim grubunu göstermektedir. Mozaik artırma, her gruptaki nesne ve sahne çeşitliliğini artırarak modelin çeşitli nesne boyutlarına, en-boy oranlarına ve arka planlara daha iyi uyum sağlamasına yardımcı olur.

Bu teknik, COCO8 gibi küçük veri kümeleri için özellikle yararlıdır; çünkü eğitim sırasında her görüntünün değerini en üst düzeye çıkarır.

Alıntılar ve Teşekkür#

Eğer COCO veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu makaleye atıfta bulun:

Alıntı
@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}
}

computer vision topluluğuna devam eden katkılarından dolayı COCO Consortium kuruluşuna özel olarak teşekkür ederiz.

SSS#

Ultralytics COCO8 Veri Kümesi Ne İçin Kullanılır?#

Ultralytics COCO8 veri seti, object detection modellerinin hızlı testi ve hata ayıklaması için tasarlanmıştır. Yalnızca 8 görüntüyle (4'ü eğitim, 4'ü doğrulama için), YOLO eğitim boru hatlarını doğrulamak ve daha büyük veri setlerine ölçeklendirmeden önce her şeyin beklendiği gibi çalıştığından emin olmak için idealdir. Daha fazla ayrıntı için COCO8 YAML configuration incele.

COCO8 Veri Kümesini Kullanarak Nasıl YOLO26 Modeli Eğitebilirim?#

COCO8 üzerinde Python veya CLI kullanarak bir YOLO26 modeli eğitebilirsin:

Eğitim Örneği
from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

Ek eğitim seçenekleri için YOLO Training documentation kılavuzuna başvurun.

COCO8 Veri Kümesi ile Eğitimde Mozaik Artırmayı Kullanmanın Avantajları Nelerdir?#

COCO8 eğitiminde kullanılan mozaik artırma (Mosaic augmentation), her birim grupta birden fazla görüntüyü birleştirir. Bu, nesnelerin ve arka planların çeşitliliğini artırarak YOLO modelinin yeni senaryolara daha iyi uyum sağlamasına yardımcı olur. Mozaik artırma, her eğitim adımındaki bilgiyi maksimize ettiği için özellikle küçük veri setleri için oldukça değerlidir. Bu konuda daha fazla bilgi için training guide göz at.

COCO8 Veri Kümesi Üzerinde Eğitilen YOLO26 Modelimi Nasıl Doğrulayabilirim?#

COCO8 üzerinde eğitim verdikten sonra YOLO26 modelini doğrulamak için modelin Python veya CLI komutlarını kullan. Bu, standart ölçümleri kullanarak modelinin performansını değerlendirir. Adım adım talimatlar için YOLO Validation documentation adresini ziyaret et.

Katkıda Bulunanlar
GLglenn-jocher17RAraimbekovm3RIRizwanMunawar2MAMatthewNoyce1

Yorumlar