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.

11 class5.6 GBSep 2, 2026

person

pose-estimationcocococo2017+2

COCO-Pose veri kümesi, COCO'yu (Bağlam İçindeki Yaygın Nesneler) poz tahmini için uyarlar: COCO Keypoints 2017'den alınmış 58.945 görüntü, 17 anahtar noktalı bir şema kullanılarak 156.165 kişi için etiketlenmiştir. Ultralytics YOLO26 gibi anahtar nokta modellerini eğitmek ve kıyaslamak için standart veri kümesidir; 8 görüntülük COCO8-Pose alt kümesi de hızlı mantıklılık kontrolleri için aynı biçimi kullanır.

COCO-Pose ile Önceden Eğitilmiş Modeller#

Temel Özellikler#

• COCO-Pose, 156.165 etiketli kişi üzerinde 1.710.498 bireysel anahtar noktayı etiketleyen COCO Keypoints 2017 yarışmasını temel alır.
• Her kişi açıklamasında 17 anahtar nokta türü (burun, gözler, kulaklar, omuzlar, dirsekler, bilekler, kalçalar, dizler ve ayak bilekleri) (x, y, visibility) üçlüleri olarak saklanır.
• COCO'da olduğu gibi, poz tahmini görevlerine yönelik Nesne Anahtar Noktası Benzerliği (OKS) dahil standart değerlendirme metrikleri sunar; bu da onu model performanslarını karşılaştırmaya uygun kılar.
• İndirme boyutu: İlk kullanımda ~20,2 GB (train2017.zip + val2017.zip + etiketler). 7 GB'lık test2017.zip otomatik olarak indirilmez; çünkü bu görüntülerin temel gerçek etiketleri gizlidir ve yalnızca test-dev2017 gönderimi için gereklidir.

Veri Kümesi Yapısı#

Eğitim ve doğrulama için COCO-Pose yalnızca anahtar nokta etiketli kişileri içeren COCO 2017 görüntülerini kapsar; bu nedenle etiketli bölümleri COCO'nun tamamından daha küçüktür. YAML dosyası üç alt kümeyi tanımlar:

1. Train2017: Bu alt küme, poz tahmini modellerini eğitmek için etiketlenmiş 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: Temel gerçek etiketleri gizli olan, toplam 40.670 görüntülük test2017 kümesinin 20.288 görüntülük alt kümesidir. Veri kümesi YAML dosyası, bu bölümü COCO test-dev anahtar nokta değerlendirme sunucusuna bağlar.

Bu ölçekte eğitim yapmak, Ultralytics Platform ürününün en çok yardımcı olduğu noktadır: kendi GPU'larını ayarlamak zorunda kalmadan çalıştırmaları başlatıp izleyebilmen için işlem kaynaklarını yönetir.

Uygulamalar#

COCO-Pose veri kümesi, özellikle anahtar nokta algılama ve poz tahmini için derin öğrenme modellerini eğitmek ve değerlendirmek amacıyla kullanılır. Çok sayıda etiketli görüntü ve standart değerlendirme metrikleri, veri kümesini insan pozu üzerinde çalışan bilgisayarlı görü araştırmacıları ve uygulayıcıları için temel bir kaynak hâline getirir.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Dosya, veri kümesi yolları, sınıflar ve diğer ilgili bilgiler hakkında bilgi içerir. COCO-Pose veri kümesinde coco-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml konumunda 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 kümesinde, görüntü boyutu 640 olan bir YOLO26n-pose modelini 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-pose.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

# Modeli eğit
results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

COCO-Pose veri kümesi, insan figürlerinin anahtar noktalarla etiketlendiği çeşitli görüntüler içerir. Aşağıda, veri kümesindeki bazı görüntüler ve bunlara karşılık gelen etiketler yer alıyor:

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

Bu örnek, COCO-Pose veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını gösteriyor.

Atıflar ve Teşekkürler#

COCO-Pose veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

@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 oluşturduğu ve sürdürdüğü için COCO Consortium'a teşekkür ederiz. COCO-Pose veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

Sık Sorulan Sorular#