Link to this sectionTập dữ liệu COCO8#

Link to this sectionGiới thiệu#

Tập dữ liệu COCO8 của Ultralytics là một tập dữ liệu object detection nhỏ gọn nhưng mạnh mẽ, bao gồm 8 hình ảnh đầu tiên từ tập COCO train 2017—4 ảnh để huấn luyện và 4 ảnh để kiểm thử. Tập dữ liệu này được thiết kế chuyên biệt cho việc kiểm thử, gỡ lỗi và thực nghiệm nhanh với các mô hình YOLO và các quy trình huấn luyện. Kích thước nhỏ của nó giúp việc quản lý trở nên rất dễ dàng, trong khi tính đa dạng của dữ liệu đảm bảo nó đóng vai trò là bước kiểm tra hiệu quả trước khi mở rộng quy mô 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 thị giác máy tính của bạn.

Link to this sectionYAML tập dữ liệu#

Cấu hình tập dữ liệu COCO8 được xác định trong một tệp YAML (Yet Another Markup Language), tệp này chỉ định các đường dẫn dữ liệu, tên lớp và các siêu dữ liệu thiết yếu khác. Bạn có thể xem tệp coco8.yaml chính thức trong kho lưu trữ GitHub của Ultralytics.

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

Link to this sectionCách sử dụng#

Để huấn luyện mô hình YOLO26n trên tập dữ liệu COCO8 trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các ví dụ sau. Để xem danh sách đầy đủ các tùy chọn huấn luyện, hãy tham khảo tài liệu về Huấn luyện YOLO.

Ví dụ về Training

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)

Link to this sectionHình ảnh mẫu và chú thích#

Dưới đây là một ví dụ về một batch huấn luyện được tạo mosaic từ tập dữ liệu COCO8:

COCO8 object detection dataset mosaic training batch

Hình ảnh Mosaiced: Hình ảnh này minh họa một batch huấn luyện trong đó nhiều hình ảnh của tập dữ liệu được kết hợp bằng kỹ thuật tăng cường dữ liệu mosaic. Tăng cường mosaic làm tăng tính đa dạng của các đối tượng và khung cảnh trong mỗi batch, giúp mô hình tổng quát hóa tốt hơn với nhiều kích thước đối tượng, tỷ lệ khung hình và bối cảnh nền 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.

Link to this sectionTrích 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:

Trích dẫn

@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}
}

Gửi lời cảm ơn đặc biệt đến COCO Consortium vì những đóng góp không ngừng của họ cho cộng đồng computer vision.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionTập dữ liệu Ultralytics COCO8 được dùng để làm gì?#

Tập dữ liệu Ultralytics COCO8 được thiết kế để kiểm thử và gỡ lỗi nhanh cho các mô hình object detection. Chỉ với 8 hình ảnh (4 cho huấn luyện, 4 cho kiểm thử), 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. Hãy khám phá cấu hình YAML của COCO8 để biết thêm chi tiết.

Link to this sectionLàm thế nào để huấn luyện mô hình YOLO26 bằng tập dữ liệu COCO8?#

Bạn có thể huấn luyện mô hình YOLO26 trên COCO8 bằng cách sử dụng Python hoặc CLI:

Ví dụ về Training

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 các tùy chọn huấn luyện bổ sung, hãy tham khảo tài liệu về Huấn luyện YOLO.

Link to this sectionTại sao tôi nên sử dụng Ultralytics Platform để quản lý việc huấn luyện COCO8 của mình?#

Ultralytics Platform đơn giản hóa việc quản lý tập dữ liệu, huấn luyện và triển khai cho các mô hình YOLO—bao gồm cả 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 thực nghiệm chỉ với một cú nhấp chuột và loại bỏ những phiền toái khi thiết lập thủ công. Tìm hiểu thêm về Ultralytics Platform và cách nó có thể tăng tốc các dự án thị giác máy tính của bạn.

Link to this sectionLợi ích của việc sử dụng Tăng cường Mosaic trong huấn luyện với tập dữ liệu COCO8 là gì?#

Tăng cường mosaic, như được sử dụng trong quá trình 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 nền, giúp mô hình YOLO của bạn tổng quát hóa tốt hơn với các tình huống mới. Tăng cường mosaic đặc biệt có giá trị đối với các tập dữ liệu nhỏ, vì nó tối đa hóa thông tin có sẵn trong mỗi bước huấn luyện. Để biết thêm về điều này, hãy xem hướng dẫn huấn luyện.

Link to this sectionLàm thế nào để tôi có thể đánh giá mô hình YOLO26 đã huấn luyện trên tập dữ liệu COCO8?#

Để đánh giá mô hình YOLO26 của bạn sau khi huấn luyện trên COCO8, hãy sử dụng các lệnh đánh giá mô hình bằng Python hoặc CLI. Điều này đánh giá hiệu suất mô hình của bạn bằng các chỉ số tiêu chuẩn. Để xem hướng dẫn từng bước, hãy truy cập tài liệu về Đánh giá YOLO.

Người đóng góp

GLglenn-jocher¹⁴ RIRizwanMunawar² MAMatthewNoyce¹

Đã tạo 12 thg 11, 2023Đã cập nhật tháng trước