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 oluşan (4'ü eğitim, 4'ü doğrulama için), tek "person" sınıfına yönelik 17 anahtar noktalı bir şema kullanan küçük ama çok yönlü bir poz tahmini veri kümesidir. Bu veri kümesi, poz tahmini modellerini test etmek ve hata ayıklamak ya da yeni anahtar nokta tespit yaklaşımlarını denemek için idealdir. 8 görüntüyle kolayca yönetilebilecek kadar küçük, tam COCO-Pose veri kümesiyle eğitime geçmeden önce eğitim işlem hatalarına karşı test etmek ve hızlı bir doğruluk kontrolü yapmak için yeterince çeşitlidir.

Veri Kümesi Yapısı#

• Toplam görüntü: 8 (4 eğitim / 4 doğrulama).
• Sınıflar: 1 (person); her etiketlemede 17 anahtar nokta türü bulunur.
• İndirme boyutu: ~1 MB.
• Önerilen dizin yapısı: YOLO biçimindeki anahtar noktaların .txt dosyalarında saklandığı datasets/coco8-pose/images/{train,val} ve datasets/coco8-pose/labels/{train,val}.

Her görüntüyü anahtar nokta iskeletleriyle birlikte incelemek, Charts sekmesinde anahtar nokta ve sınıf dağılımlarını görüntülemek ve bulutta kendi modelini eğitmek için klonlamak üzere Ultralytics Platform'da COCO8-Pose'u keşfet.

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya, veri kümesinin yolları, sınıfları ve diğer ilgili bilgiler hakkında ayrıntılar içerir. COCO8-Pose veri kümesinde 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 kümesinde YOLO26n-pose modelini görüntü boyutu 640 olacak şekilde 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin 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="coco8-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda, COCO8-Pose 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.

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 oluşturup sürdürdüğü için COCO Konsorsiyumu'na bilgisayarlı görü topluluğu adına teşekkür ederiz. COCO veri kümesi ve yaratıcıları hakkında daha fazla bilgi için COCO veri kümesi web sitesini ziyaret et.

Sık Sorulan Sorular#