COCO128 Bộ dữ liệu
Giới thiệu
Ultralytics COCO128 là một dataset object detection nhỏ nhưng linh hoạt, bao gồm 128 hình ảnh đầu tiên của tập COCO train 2017. Dataset này lý tưởng để kiểm tra và gỡ lỗi các mô hình object detection hoặc để thử nghiệm các phương pháp detection mới. Với 128 hình ảnh, nó đủ nhỏ để dễ quản lý, nhưng đủ đa dạng để kiểm tra các pipeline huấn luyện để tìm lỗi và hoạt động như một bước kiểm tra tính hợp lệ trước khi huấn luyện các dataset lớn hơn.
Xem: Ultralytics COCO Tổng quan về tập dữ liệu
Bộ dữ liệu này được thiết kế để sử dụng với Ultralytics HUB và YOLO11.
YAML bộ dữ liệu
Tệp YAML (Yet Another Markup Language - Ngôn ngữ Đánh dấu Khác) được sử dụng để định nghĩa cấu hình tập dữ liệu. Tệp này chứa thông tin về đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Trong trường hợp COCO128 tập dữ liệu, các coco128.yaml tệp được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.
ultralytics /cfg/datasets/coco128. yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128.zip
Cách sử dụng
Để đào tạo một mô hình YOLO11n trên COCO128 Đối với tập dữ liệu 100 kỷ nguyên với kích thước ảnh là 640, bạn có thể sử dụng các đoạn mã sau. Để biết danh sách đầy đủ các đối số khả dụng, hãy tham khảo trang Đào tạo mô hình.
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Ảnh và Chú thích mẫu
Dưới đây là một số ví dụ về hình ảnh từ COCO128 tập dữ liệu, cùng với các chú thích tương ứng của chúng:
- Hình ảnh Mosaiced: Hình ảnh này minh họa một lô huấn luyện bao gồm các hình ảnh bộ dữ liệu được mosaiced. Mosaicing là một kỹ thuật được sử dụng trong quá trình huấn luyện, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các đối tượng và cảnh trong mỗi lô huấn luyện. Điều này giúp cải thiện khả năng tổng quát hóa của mô hình đối với các kích thước, tỷ lệ khung hình và ngữ cảnh khác nhau của đối tượng.
Ví dụ này cho thấy sự đa dạng và phức tạp của hình ảnh trong COCO128 tập dữ liệu và lợi ích của việc sử dụng khảm trong quá trình đào tạo.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng COCO tập dữ liệu trong công trình nghiên cứu hoặc phát triển của bạn, vui lòng trích dẫn bài báo sau:
@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}
}
Chúng tôi muốn ghi nhận COCO Liên minh tạo ra và duy trì nguồn tài nguyên có giá trị này cho cộng đồng thị giác máy tính . Để biết thêm thông tin về COCO bộ dữ liệu và những người tạo ra nó, hãy truy cập trang web bộ dữ liệu COCO .
Câu hỏi thường gặp
Cái gì là Ultralytics COCO128 bộ dữ liệu được sử dụng cho mục đích gì?
Các Ultralytics COCO128 tập dữ liệu là một tập hợp con nhỏ gọn chứa 128 hình ảnh đầu tiên từ COCO Bộ dữ liệu Train 2017. Nó chủ yếu được sử dụng để kiểm tra và gỡ lỗi các mô hình phát hiện đối tượng , thử nghiệm các phương pháp phát hiện mới và xác thực các quy trình đào tạo trước khi mở rộng sang các bộ dữ liệu lớn hơn. Kích thước dễ quản lý của nó giúp nó hoàn hảo cho các lần lặp lại nhanh chóng mà vẫn cung cấp đủ tính đa dạng để trở thành một trường hợp thử nghiệm có ý nghĩa.
Làm thế nào để tôi đào tạo một YOLO11 mô hình sử dụng COCO128 tập dữ liệu?
Để đào tạo một YOLO11 mô hình trên COCO128 tập dữ liệu, bạn có thể sử dụng Python hoặc CLI lệnh. Cách thực hiện như sau:
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n.pt")
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Để biết thêm các tùy chọn và tham số huấn luyện, hãy tham khảo tài liệu Huấn luyện.
Những lợi ích của việc sử dụng tăng cường khảm với COCO128 ?
Tăng cường khảm, như được hiển thị trong các hình ảnh mẫu, kết hợp nhiều hình ảnh đào tạo thành một hình ảnh tổng hợp duy nhất. Kỹ thuật này mang lại một số lợi ích khi đào tạo với COCO128 :
- Tăng sự đa dạng của các đối tượng và bối cảnh trong mỗi batch huấn luyện
- Cải thiện khả năng tổng quát hóa mô hình trên các kích thước và tỷ lệ khung hình đối tượng khác nhau
- Nâng cao hiệu suất phát hiện cho các đối tượng ở nhiều kích cỡ khác nhau
- Tối đa hóa tiện ích của một bộ dữ liệu nhỏ bằng cách tạo ra nhiều mẫu huấn luyện đa dạng hơn
Kỹ thuật này đặc biệt có giá trị đối với các tập dữ liệu nhỏ hơn như COCO128 , giúp các mô hình học được nhiều tính năng mạnh mẽ hơn từ dữ liệu hạn chế.
Làm thế nào COCO128 so sánh với những cái khác COCO các biến thể của tập dữ liệu?
COCO128 (128 hình ảnh) nằm giữa COCO8 (8 hình ảnh) và toàn bộ tập dữ liệu COCO (hơn 118 nghìn hình ảnh) về mặt kích thước:
- COCO8 : Chỉ chứa 8 hình ảnh (4 hình ảnh đào tạo, 4 hình ảnh val) - lý tưởng cho các bài kiểm tra nhanh và gỡ lỗi
- COCO128 : Bao gồm 128 hình ảnh - cân bằng giữa kích thước và tính đa dạng
- COCO đầy đủ : Bao gồm hơn 118 nghìn hình ảnh đào tạo - toàn diện nhưng tốn nhiều tài nguyên
COCO128 cung cấp một nền tảng trung gian tốt, mang lại sự đa dạng hơn COCO8 trong khi vẫn dễ quản lý hơn nhiều so với đầy đủ COCO tập dữ liệu để thử nghiệm và phát triển mô hình ban đầu.
Tôi có thể sử dụng COCO128 cho các nhiệm vụ khác ngoài phát hiện đối tượng?
Trong khi COCO128 được thiết kế chủ yếu để phát hiện đối tượng, chú thích của tập dữ liệu có thể được điều chỉnh cho các tác vụ thị giác máy tính khác:
- Phân đoạn thể hiện: Sử dụng mặt nạ phân đoạn được cung cấp trong chú thích
- Phát hiện điểmKeypoint: Dành cho hình ảnh có người với chú thích điểm Keypoint
- Học tăng cường: Là điểm khởi đầu để tinh chỉnh các mô hình cho các tác vụ tùy chỉnh
Đối với các tác vụ chuyên biệt như phân đoạn , hãy cân nhắc sử dụng các biến thể được xây dựng theo mục đích cụ thể như COCO8 -seg bao gồm các chú thích phù hợp.
