Bỏ qua nội dung

Bộ dữ liệu COCO128

Giới thiệu

Ultralytics COCO128 là một tập dữ liệu phát hiện đối tượng nhỏ nhưng đa năng bao gồm 128 hình ảnh đầu tiên của tập COCO train 2017. Tập dữ liệu này lý tưởng để thử nghiệm và gỡ lỗi các mô hình phát hiện đối tượng hoặc để thử nghiệm các phương pháp phát hiện mới. Với 128 hình ảnh, nó đủ nhỏ để dễ quản lý, nhưng đủ đa dạng để kiểm tra các đường ống đào tạo để tìm lỗi và hoạt động như một kiểm tra hợp lý trước khi đào tạo các tập dữ liệu lớn hơn.



Đồng hồ: Ultralytics Tổng quan về Bộ dữ liệu COCO

Bộ dữ liệu này được dự định sử dụng với Ultralytics HUB và YOLO11 .

Bộ dữ liệu YAML

Tệp YAML (Yet Another Markup Language) được sử dụng để xác định 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 của tập dữ liệu COCO128, coco128.yaml tập tin 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: ../datasets/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 mô hình YOLO11n trên tập dữ liệu COCO128 trong 100 kỷ nguyên với kích thước hình 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 về tàu hỏa

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

Hình ảnh mẫu và chú thích

Sau đây là một số ví dụ về hình ảnh từ tập dữ liệu COCO128, cùng với chú thích tương ứng:

Hình ảnh mẫu của bộ dữ liệu

  • Mosaiced Image : Hình ảnh này minh họa một lô đào tạo bao gồm các hình ảnh tập dữ liệu mosaic. Mosaicing là một kỹ thuật được sử dụng trong quá trình đào tạo kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng tính đa dạng của các đối tượng và cảnh trong mỗi lô đào tạo. Điều này giúp cải thiện khả năng khái quát hóa của mô hình đối với các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.

Ví dụ này cho thấy sự đa dạng và phức tạp của các hình ảnh trong tập dữ liệu COCO128 và lợi ích của việc sử dụng khảm trong quá trình đào tạo.

Trích dẫn và Lời cảm ơn

Nếu bạn sử dụng bộ dữ liệu COCO trong công tác nghiên cứu hoặc phát triển của mình, 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 cảm ơn COCO Consortium đã 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 tập dữ liệu COCO và những người tạo ra nó, hãy truy cập trang web tập dữ liệu COCO .

CÂU HỎI THƯỜNG GẶP

Cái gì là Ultralytics Bộ dữ liệu COCO128 được sử dụng để làm gì?

Các Ultralytics Bộ dữ liệu COCO128 là một tập hợp con nhỏ gọn chứa 128 hình ảnh đầu tiên từ bộ dữ liệu COCO train 2017. Nó chủ yếu được sử dụng để thử nghiệm và gỡ lỗi các mô hình phát hiện đối tượng , thử nghiệm các phương pháp phát hiện mới và xác thực các đường ống đào tạo trước khi mở rộng sang các bộ dữ liệu lớn hơn. Kích thước dễ quản lý của nó làm cho nó hoàn hảo cho các lần lặp lại nhanh trong khi 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 tập dữ liệu COCO128?

Để đào tạo một YOLO11 mô hình trên tập dữ liệu COCO128, bạn có thể sử dụng Python hoặc CLI lệnh. Đây là cách thực hiện:

Ví dụ về tàu hỏa

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 thông số đào tạo, hãy tham khảo tài liệu Đào tạo .

Lợi ích của việc sử dụng phương pháp tăng cường khảm với COCO128 là gì?

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 cường sự đa dạng của các đối tượng và bối cảnh trong mỗi đợt đào tạo
  • Cải thiện khả năng khái quát hóa mô hình trên nhiều kích thước đối tượng và tỷ lệ khung hình khác nhau
  • Nâng cao hiệu suất phát hiện đối tượng ở nhiều quy mô khác nhau
  • Tối đa hóa tiện ích của một tập dữ liệu nhỏ bằng cách tạo ra các mẫu đào tạo 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 tìm hiểu các tính năng mạnh mẽ hơn từ dữ liệu hạn chế.

COCO128 so sánh với các biến thể tập dữ liệu COCO khác như thế nào?

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 train, 4 val) - lý tưởng cho các thử nghiệm 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 giải pháp trung gian tốt, đa dạng hơn COCO8 nhưng vẫn dễ quản lý hơn nhiều so với toàn bộ tập dữ liệu COCO để thử nghiệm và phát triển mô hình ban đầu.

Tôi có thể sử dụng COCO128 cho các nhiệm vụ khác ngoài phát hiện vật thể không?

Trong khi COCO128 chủ yếu được thiết kế 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 trường hợp : Sử dụng mặt nạ phân đoạn được cung cấp trong chú thích
  • Phát hiện điểm chính : Đối với hình ảnh có người với chú thích điểm chính
  • Chuyển giao học tập : Là điểm khởi đầu cho việc tinh chỉnh các mô hình cho các nhiệm vụ tùy chỉnh

Đối với các tác vụ chuyên biệt như phân đoạn , hãy cân nhắc sử dụng các biến thể được xây dựng có mục đích cụ thể như COCO8-seg bao gồm các chú thích phù hợp.

📅 Được tạo cách đây 1 tháng ✏️ Đã cập nhật cách đây 1 tháng
glenn-jocher lakhshanthad

Bình luận