COCO8-Pose Veri Kümesi#

8

coco8-pose

ultralytics

publicPose

COCO8-Pose is Ultralytics' minimal human-pose smoke-test set: four training and four validation images sampled from COCO. Each person uses the standard 17-keypoint body layout, allowing rapid validation of pose data loading, augmentation, training, and export workflows.

31 class618.2 KBSep 2, 2026

person

Giriş#

Ultralytics COCO8-Pose, COCO train 2017 kümesindeki ilk 8 görüntüden (eğitim için 4, doğrulama için 4) oluşan ve tek bir "person" sınıfı için 17 anahtar noktalı bir şema kullanan küçük ancak çok yönlü bir poz tahmini veri kümesidir. Bu veri kümesi, poz tahmini modellerini test etmek ve hata ayıklamak ya da yeni anahtar nokta algılama yaklaşımlarını denemek için idealdir. 8 görüntü içermesi sayesinde kolayca yönetilebilecek kadar küçük, ancak eğitim işlem hatalarını test edecek ve tam COCO-Pose veri kümesiyle eğitime başlamadan önce bir sağlama kontrolü görevi görecek kadar çeşitlidir.

Veri Kümesi Yapısı#

• Toplam görüntü: 8 (4 eğitim / 4 doğrulama).
• Sınıflar: Ek açıklama başına 17 anahtar nokta türüyle 1 (person).
• İndirme boyutu: ~1 MB.
• Önerilen dizin düzeni: datasets/coco8-pose/images/{train,val} ve datasets/coco8-pose/labels/{train,val}; YOLO biçimli anahtar noktaları .txt dosyalarında depolanır.

Her görüntüyü anahtar nokta iskeletleriyle incelemek, Charts sekmesinde anahtar nokta ve sınıf dağılımlarını görüntülemek ve kendi modelini bulutta eğitmek üzere veri kümesini klonlamak için COCO8-Pose on Ultralytics Platform sayfasını keşfet.

Veri Kümesi YAML'i#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgileri içerir. COCO8-Pose veri kümesi için coco8-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml konumunda tutulur.

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

# 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: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Kullanım#

COCO8-Pose veri kümesi üzerinde YOLO26n-pose modelini 100 epoch boyunca ve 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Training 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="coco8-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Açıklamalar#

Aşağıda COCO8-Pose veri kümesinden bazı görüntüler ve bunlara karşılık gelen ek açıklamalar yer alıyor:

• 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.

Atıflar ve Teşekkürler#

COCO 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}
}

Bu değerli kaynağı bilgisayarlı görü topluluğu için oluşturan ve sürdüren COCO Consortium'a teşekkür ederiz. COCO veri kümesi ve oluşturucuları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret edebilirsin.

SSS#