COCO-Pose Veri Kümesi#

58,931

COCO 2017 Pose

ultralytics

publicPose

COCO 2017 Pose is the canonical human-keypoint benchmark, labeling person instances with 17 body landmarks in everyday scenes. It covers varied poses, scales, crowding, truncation, and occlusion for standardized articulated-human pose estimation.

1 class5.6 GBSep 2, 2026

person

pose-estimationcocococo2017+2

COCO-Pose veri kümesi, poz tahmini için COCO'yu (Bağlam İçindeki Yaygın Nesneler) uyarlar: COCO Keypoints 2017'den 58.945 görüntü, 17 anahtar noktalı bir şema kullanılarak 156.165 kişiyle açıklanmıştır. Bu veri kümesi, Ultralytics YOLO26 gibi anahtar nokta modellerini eğitmek ve kıyaslamak için standart settir; 8 görüntülük COCO8-Pose alt kümesi ise hızlı makullük kontrolleri için aynı formatı yansıtır.

COCO-Pose Önceden Eğitilmiş Modelleri#

Temel Özellikler#

• COCO-Pose, açıklamalı 156.165 kişi genelinde 1.710.498 ayrı anahtar noktayı etiketleyen COCO Keypoints 2017 yarışmasını temel alır.
• Her kişi açıklaması; burun, gözler, kulaklar, omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri olmak üzere 17 anahtar nokta türü kullanır ve (x, y, visibility) üçlüleri olarak depolanır.
• COCO gibi bu veri kümesi de poz tahmini görevleri için Nesne Anahtar Noktası Benzerliği (OKS) dahil olmak üzere standartlaştırılmış değerlendirme metrikleri sunarak model performanslarını karşılaştırmaya uygun hale gelir.
• İndirme boyutu: İlk kullanımda ~20,2 GB (train2017.zip + val2017.zip + etiketler). 7 GB'lık test2017.zip otomatik olarak alınmaz; çünkü bu görüntülerin gerçek referansları gizlidir ve yalnızca bir test-dev2017 gönderimi için gereklidir.

Veri Kümesi Yapısı#

COCO-Pose, eğitim ve doğrulama için yalnızca anahtar noktaları açıklanmış kişilerin bulunduğu COCO 2017 görüntülerini içerir; bu nedenle etiketli bölümleri tam COCO'dan daha küçüktür. YAML dosyası üç alt küme tanımlar:

1. Train2017: Bu alt küme, poz tahmini modellerini eğitmek için açıklanmış COCO veri kümesinden 56.599 görüntü içerir.
2. Val2017: Bu alt kümede, model eğitimi sırasında doğrulama amacıyla kullanılan 2.346 görüntü bulunur.
3. Test-dev2017: Gerçek referansları gizli olan, 40.670 görüntülük test2017 setinin 20.288 görüntülük alt kümesidir. Veri kümesi YAML dosyası bu bölümü COCO test-dev keypoints değerlendirme sunucusuna bağlar.

Bu ölçekte eğitim, Ultralytics Platform'un en çok yardımcı olduğu noktadır — kendi GPU'larını hazırlamadan çalıştırmaları başlatıp izleyebilmen için işlem kaynaklarını yönetir.

Uygulamalar#

COCO-Pose veri kümesi, anahtar nokta algılama ve poz tahmini için derin öğrenme modellerinin eğitilmesi ve değerlendirilmesinde özel olarak kullanılır. Çok sayıdaki açıklanmış görüntüsü ve standartlaştırılmış değerlendirme metrikleri, bu veri kümesini bilgisayarlı görü araştırmacıları ve insan pozu üzerine çalışan uygulayıcılar için vazgeçilmez bir kaynak haline getirir.

Veri Kümesi YAML'i#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri hakkında bilgi içerir. COCO-Pose veri kümesi için coco-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml adresinde tutulur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 Keypoints dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/pose/coco
# Example usage: yolo train data=coco-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco-pose ← downloads here (20.2 GB)

# 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: coco-pose # dataset root dir
train: train2017.txt # train images (relative to 'path') 56599 images
val: val2017.txt # val images (relative to 'path') 2346 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://codalab.lisn.upsaclay.fr/competitions/7403

# 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: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  dir = Path(yaml["path"])  # dataset root dir

  urls = [f"{ASSETS_URL}/coco2017labels-pose.zip"]
  download(urls, dir=dir.parent)

  # Download data (test2017.zip excluded: ground truth is withheld, only used for the CodaLab test-dev split)
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
  ]
  download(urls, dir=dir / "images", threads=3)

Kullanım#

COCO-Pose veri kümesi üzerinde 100 epoch boyunca ve 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

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="coco-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Açıklamalar#

COCO-Pose veri kümesi, anahtar noktalarla açıklanmış insan figürlerinin bulunduğu çeşitli görüntüler içerir. Aşağıda, veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar yer alır:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir eğitim tekniğidir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.

Örnek, COCO-Pose veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını gösterir.

Atıflar ve Teşekkürler#

COCO-Pose veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıf yap:

@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 topluluğu için bu değerli kaynağı oluşturan ve sürdüren COCO Konsorsiyumu'na teşekkür ederiz. COCO-Pose veri kümesi ve oluşturucuları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

SSS#