COCO8 Bộ dữ liệu
Giới thiệu
Ultralytics COCO8 bộ dữ liệu là một bộ dữ liệu phát hiện đối tượng nhỏ gọn nhưng mạnh mẽ, bao gồm 8 hình ảnh đầu tiên từ COCO Bộ dữ liệu train 2017—4 cho huấn luyện và 4 cho xác thực. Bộ dữ liệu này được thiết kế đặc biệt để kiểm tra, gỡ lỗi và thử nghiệm nhanh chóng với các mô hình YOLO và quy trình huấn luyện. Kích thước nhỏ gọn giúp dễ dàng quản lý, đồng thời tính đa dạng đảm bảo nó hoạt động như một công cụ kiểm tra hiệu quả trước khi mở rộng lên các bộ dữ liệu lớn hơn.
Xem: Ultralytics COCO Tổng quan về tập dữ liệu
COCO8 hoàn toàn tương thích với Ultralytics HUB và YOLO11 , cho phép tích hợp liền mạch vào quy trình làm việc thị giác máy tính của bạn.
YAML bộ dữ liệu
Các COCO8 Cấu hình tập dữ liệu được định nghĩa trong tệp YAML (Yet Another Markup Language), trong đó chỉ định đường dẫn tập dữ liệu, tên lớp và các siêu dữ liệu thiết yếu khác. Bạn có thể xem lại coco8.yaml tệp trong kho lưu trữ Ultralytics GitHub.
ultralytics /cfg/datasets/coco8. yaml
# 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.zip
Cách sử dụng
Để đào tạo một mô hình YOLO11n trên COCO8 Đối với tập dữ liệu 100 kỷ nguyên với kích thước ảnh là 640, hãy sử dụng các ví dụ sau. Để biết danh sách đầy đủ các tùy chọn đào tạo, hãy xem tài liệu Đào tạo YOLO .
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Ảnh và Chú thích mẫu
Dưới đây là một ví dụ về một lô đào tạo được ghép từ COCO8 tập dữ liệu:
- Hình ảnh ghép: Hình ảnh này minh họa một lô huấn luyện trong đó nhiều hình ảnh tập dữ liệu được kết hợp bằng cách sử dụng tăng cường mosaic. Tăng cường mosaic làm tăng tính đa dạng của các đối tượng và cảnh trong mỗi lô, giúp mô hình khái quát hóa tốt hơn cho các kích thước, tỷ lệ khung hình và hình nền khác nhau của đối tượng.
Kỹ thuật này đặc biệt hữu ích cho các tập dữ liệu nhỏ như COCO8 , vì nó tối đa hóa giá trị của mỗi hình ảnh trong quá trình đào tạo.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng COCO tập dữ liệu trong 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}
}
Xin chân thành cảm ơn COCO Consortium vì những đóng góp liên tục của họ cho cộng đồng thị giác máy tính .
Câu hỏi thường gặp
Cái gì là Ultralytics COCO8 Bộ dữ liệu được sử dụng cho mục đích gì?
Các Ultralytics COCO8 Bộ dữ liệu được thiết kế để kiểm tra và gỡ lỗi nhanh chóng các mô hình phát hiện đối tượng . Chỉ với 8 ảnh (4 để huấn luyện, 4 để xác thực), đây là giải pháp lý tưởng để xác minh quy trình huấn luyện YOLO của bạn và đảm bảo mọi thứ hoạt động như mong đợi trước khi mở rộng sang các bộ dữ liệu lớn hơn. Khám phá cấu hình YAML COCO8 để biết thêm chi tiết.
Làm thế nào để tôi đào tạo một YOLO11 Mô hình sử dụng COCO8 Bộ dữ liệu?
Bạn có thể đào tạo một YOLO11 mô hình trên COCO8 sử dụng một trong hai Python hoặc CLI :
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Để biết thêm các tùy chọn huấn luyện, hãy tham khảo tài liệu Huấn luyện YOLO.
Tại sao tôi nên sử dụng Ultralytics HUB để quản lý của tôi COCO8 Đào tạo?
Ultralytics HUB sắp xếp hợp lý việc quản lý, huấn luyện và triển khai tập dữ liệu cho các mô hình YOLO—bao gồm COCO8. Với các tính năng như huấn luyện trên đám mây, giám sát thời gian thực và xử lý tập dữ liệu trực quan, HUB cho phép bạn khởi chạy các thử nghiệm chỉ bằng một cú nhấp chuột và loại bỏ những rắc rối khi thiết lập thủ công. Tìm hiểu thêm về Ultralytics HUB và cách nó có thể tăng tốc các dự án computer vision của bạn.
Những lợi ích của việc sử dụng Mosaic Augmentation trong đào tạo với COCO8 Bộ dữ liệu?
Tăng cường khảm, như được sử dụng trong COCO8 Đào tạo, kết hợp nhiều hình ảnh thành một trong mỗi đợt. Điều này làm tăng tính đa dạng của các đối tượng và nền, giúp mô hình YOLO của bạn tổng quát hóa tốt hơn với các tình huống mới. Tăng cường khảm đặc biệt có giá trị đối với các tập dữ liệu nhỏ, vì nó tối đa hóa thông tin có sẵn trong mỗi bước đào tạo. Để biết thêm về điều này, hãy xem hướng dẫn đào tạo .
Làm thế nào tôi có thể xác thực của tôi YOLO11 Mô hình được đào tạo trên COCO8 Bộ dữ liệu?
Để xác thực của bạn YOLO11 mô hình sau khi đào tạo trên COCO8 , sử dụng các lệnh xác thực của mô hình trong cả hai Python hoặc CLI . Thao tác này đánh giá hiệu suất mô hình của bạn bằng các số liệu tiêu chuẩn. Để biết hướng dẫn từng bước, hãy truy cập tài liệu Xác thực YOLO .
