Tập dữ liệu COCO8
Giới thiệu
Tập dữ liệu Ultralytics COCO8 là một tập dữ liệu object detection nhỏ gọn nhưng mạnh mẽ, bao gồm 8 hình ảnh đầu tiên từ tập train COCO 2017—4 cho việc huấn luyện và 4 cho việc kiểm chứng. Tập dữ liệu này được thiết kế đặc biệt để thử nghiệm nhanh, gỡ lỗi và thực nghiệm với các model YOLO cũng như các quy trình huấn luyện. Kích thước nhỏ giúp nó dễ quản lý, đồng thời sự đa dạng của dữ liệu đảm bảo đây là bước kiểm tra tính hợp lệ hiệu quả trước khi mở rộng sang các tập dữ liệu lớn hơn.
Watch: Ultralytics COCO Dataset Overview
COCO8 tương thích hoàn toàn với Ultralytics Platform và YOLO26, cho phép tích hợp liền mạch vào các quy trình computer vision của bạn.
Dataset YAML
Cấu hình tập dữ liệu COCO8 được xác định trong một tệp YAML (Yet Another Markup Language), chỉ định đường dẫn tập dữ liệu, tên lớp và các metadata thiết yếu khác. Bạn có thể xem tệp coco8.yaml chính thức trong Ultralytics GitHub repository.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8 ← 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 # 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)
# 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/coco8.zipCách sử dụng
Để huấn luyện model YOLO26n trên tập dữ liệu COCO8 trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các ví dụ sau. Để biết danh sách đầy đủ các tùy chọn huấn luyện, hãy xem YOLO Training documentation.
from ultralytics import YOLO
# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Hình ảnh và chú thích mẫu
Dưới đây là ví dụ về một batch huấn luyện sử dụng mosaic từ tập dữ liệu COCO8:
- Hình ảnh Mosaic: Hình ảnh này minh họa một batch huấn luyện nơi nhiều hình ảnh tập dữ liệu được kết hợp bằng cách sử dụng kỹ thuật mosaic augmentation. Mosaic augmentation làm tăng sự đa dạng của các đối tượng và bối cảnh trong mỗi batch, giúp model tổng quát hóa tốt hơn với nhiều kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.
Kỹ thuật này đặc biệt hữu ích cho các tập dữ liệu nhỏ như COCO8, vì nó tối đa hóa giá trị của từng hình ảnh trong quá trình huấn luyện.
Trích dẫn và Ghi nhận
Nếu bạn sử dụng tập dữ liệu COCO trong 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}
}Đặc biệt cảm ơn COCO Consortium vì những đóng góp không ngừng của họ cho cộng đồng computer vision.
Câu hỏi thường gặp (FAQ)
Tập dữ liệu Ultralytics COCO8 được sử dụng để làm gì?
Tập dữ liệu Ultralytics COCO8 được thiết kế để thử nghiệm nhanh và gỡ lỗi các model object detection. Chỉ với 8 hình ảnh (4 để huấn luyện, 4 để kiểm chứng), nó là lựa chọn lý tưởng để xác minh các quy trình huấn luyện YOLO của bạn và đảm bảo mọi thứ hoạt động như mong đợi trước khi mở rộng sang các tập dữ liệu lớn hơn. Khám phá cấu hình YAML COCO8 để biết thêm chi tiết.
Làm cách nào để tôi huấn luyện model YOLO26 bằng tập dữ liệu COCO8?
Bạn có thể huấn luyện model YOLO26 trên COCO8 bằng cách sử dụng Python hoặc CLI:
from ultralytics import YOLO
# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)Để biết thêm các tùy chọn huấn luyện khác, hãy tham khảo YOLO Training documentation.
Tại sao tôi nên sử dụng Ultralytics Platform để quản lý việc huấn luyện COCO8 của mình?
Ultralytics Platform tối ưu hóa việc quản lý tập dữ liệu, huấn luyện và triển khai cho các model YOLO—bao gồm cả COCO8. Với các tính năng như huấn luyện trên cloud, giám sát thời gian thực và xử lý tập dữ liệu trực quan, HUB cho phép bạn khởi chạy các thử nghiệm chỉ với một cú nhấp chuột và loại bỏ những rắc rối khi thiết lập thủ công. Tìm hiểu thêm về Ultralytics Platform và cách nó có thể tăng tốc các dự án computer vision của bạn.
Lợi ích của việc sử dụng Mosaic Augmentation khi huấn luyện với tập dữ liệu COCO8 là gì?
Mosaic augmentation, như được sử dụng trong huấn luyện COCO8, kết hợp nhiều hình ảnh thành một trong mỗi batch. Điều này làm tăng sự đa dạng của các đối tượng và bối cảnh, giúp model YOLO của bạn tổng quát hóa tốt hơn với các tình huống mới. Mosaic augmentation đặc biệt có giá trị đối với các tập dữ liệu nhỏ vì nó tối đa hóa thông tin khả dụng trong mỗi bước huấn luyện. Để biết thêm về vấn đề này, hãy xem hướng dẫn huấn luyện.
Làm cách nào để tôi kiểm chứng (validate) model YOLO26 đã được huấn luyện trên tập dữ liệu COCO8?
Để kiểm chứng model YOLO26 sau khi huấn luyện trên COCO8, hãy sử dụng các lệnh kiểm chứng của model trong Python hoặc CLI. Điều này đánh giá hiệu suất của model bằng các số liệu tiêu chuẩn. Để biết hướng dẫn từng bước, hãy truy cập YOLO Validation documentation.