COCO8 Veri Kümesi#

8

coco8

ultralytics

publicDetect

COCO8 is Ultralytics' minimal object-detection smoke-test set: four training and four validation images sampled from COCO. It uses the 80-class taxonomy and real multi-object labels to validate data loading, augmentation, training, and export in seconds.

380 classes837.5 KBSep 2, 2026

personbicyclecarmotorcycle+76

Giriş#

Ultralytics COCO8 veri kümesi, COCO train 2017 kümesindeki ilk 8 görüntüden oluşan (4'ü eğitim, 4'ü doğrulama için) kompakt ancak güçlü bir nesne tespiti veri kümesidir. Bu veri kümesi, YOLO modelleri ve eğitim işlem hatlarıyla hızlı test, hata ayıklama ve denemeler yapmak için özel olarak tasarlanmıştır. Küçük boyutu yönetimini kolaylaştırırken çeşitliliği, daha büyük veri kümelerine geçmeden önce etkili bir sağlama kontrolü işlevi görmesini sağlar.

Veri Kümesi Yapısı#

COCO8, COCO train 2017 kümesindeki ilk 8 görüntüyü (4'ü eğitim, 4'ü doğrulama için) içerir ve YOLO etiket biçiminde COCO nesne sınıflarının tamamını (80 sınıf) kapsar:

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

Her görüntüyü açıklama katmanlarıyla incelemek, Charts sekmesinde sınıf dağılımını ve sınırlayıcı kutu ısı haritalarını görüntülemek ve kendi modelini bulutta eğitmek üzere veri kümesini klonlamak için COCO8'i Ultralytics Platformunda keşfet.

Veri Kümesi YAML'i#

COCO8 veri kümesi yapılandırması; veri kümesi yollarını, sınıf adlarını ve diğer temel meta verileri belirten bir YAML dosyasında tanımlanır. Resmî coco8.yaml dosyasını Ultralytics GitHub deposunda inceleyebilirsin.

# 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 kümesi (1 MB), eğitimi ilk kez başlattığında otomatik olarak indirilir. 640 görüntü boyutuyla COCO8 üzerinde 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki örnekleri kullan. Eğitim seçeneklerinin tam listesi için YOLO Eğitim belgelerine bak.

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 Açıklamalar#

Aşağıda COCO8 veri kümesinden mozaiklenmiş bir eğitim batch'i örneği verilmiştir:

• Mozaiklenmiş Görüntü: Bu görüntü, birden fazla veri kümesi görüntüsünün mozaik artırma kullanılarak birleştirildiği bir eğitim batch'ini gösterir. Mozaik artırma, her batch içindeki nesnelerin ve sahnelerin çeşitliliğini artırarak modelin farklı nesne boyutlarına, en-boy oranlarına ve arka planlara daha iyi genelleme yapmasına yardımcı olur.

Bu teknik, eğitim sırasında her görüntünün değerini en üst düzeye çıkardığı için COCO8 gibi küçük veri kümelerinde özellikle kullanışlıdır.

Atıflar ve Teşekkürler#

COCO veri kümesini araştırmanda veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleyi kaynak göster:

@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}
}

Bilgisayarlı görü topluluğuna devam eden katkıları için COCO Consortium ekibine özel teşekkürler.

SSS#