Bộ dữ liệu COCO8
Giới thiệu
Bộ dữ liệu Ultralytics COCO8 là một bộ dữ liệu phát hiện đối tượng nhỏ gọn nhưng mạnh mẽ, bao gồm 8 hình ảnh đầu tiên từ bộ COCO train 2017—4 cho đào tạo 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 đào tạo. Kích thước nhỏ của nó làm cho nó rất dễ quản lý, trong khi sự đa dạng của nó đảm bảo nó đóng vai trò là một kiểm tra tính hợp lệ hiệu quả trước khi mở rộng quy mô lên các bộ dữ liệu lớn hơn.
Xem: Tổng quan về bộ dữ liệu Ultralytics COCO
COCO8 hoàn toàn tương thích với Ultralytics HUB và YOLO11, cho phép tích hợp liền mạch vào quy trình computer vision của bạn.
YAML bộ dữ liệu
Cấu hình tập dữ liệu COCO8 được định nghĩa trong tệp YAML (Yet Another Markup Language), chỉ định đường dẫn tập dữ liệu, tên lớp và các siêu dữ liệu thiết yếu khác. Bạn có thể xem lại thông tin chính thức 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 huấn luyện mô hình YOLO11n trên tập dữ liệu COCO8 trong 100 epoch với kích thước hình ảnh là 640, hãy sử dụng các ví dụ sau. Để có danh sách đầy đủ các tùy chọn huấn luyện, hãy xem tài liệu Huấn luyện 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 lô huấn luyện được ghép từ bộ dữ liệu COCO8:
- 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 bộ 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}
}
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
Bộ dữ liệu Ultralytics COCO8 được sử dụng để làm gì?
Bộ dữ liệu Ultralytics COCO8 được thiết kế để kiểm tra và gỡ lỗi nhanh các mô hình phát hiện đối tượng. Với chỉ 8 hình ảnh (4 cho huấn luyện, 4 cho xác thực), nó 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. Tìm hiểu cấu hình COCO8 YAML để biết thêm chi tiết.
Làm thế nào để huấn luyện mô hình YOLO11 bằng bộ dữ liệu COCO8?
Bạn có thể huấn luyện mô hình YOLO11 trên COCO8 bằng 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 quá trình huấn luyện COCO8 của mình?
Ultralytics HUB sắp xếp hợp lý việc quản lý, đào tạo và triển khai bộ dữ liệu cho các mô hình YOLO—bao gồm COCO8. Với các tính năng như đào tạo trên đám mây, giám sát theo thời gian thực và xử lý bộ 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 thị giác máy tính của bạn.
Những lợi ích của việc sử dụng Mosaic Augmentation trong quá trình huấn luyện với bộ dữ liệu COCO8 là gì?
Tăng cường Mosaic, như được sử dụng trong huấn luyện COCO8, kết hợp nhiều hình ảnh thành một trong mỗi lô. Điều này làm tăng sự đa dạng của các đối tượng và hình nền, giúp mô hình YOLO của bạn khái quát hóa tốt hơn cho các tình huống mới. Tăng cường Mosaic đặc biệt có giá trị đối với các bộ 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.
Làm thế nào để xác thực mô hình YOLO11 của tôi đã được huấn luyện trên bộ dữ liệu COCO8?
Để xác thực mô hình YOLO11 của bạn sau khi huấn luyện trên COCO8, hãy sử dụng các lệnh xác thực của mô hình trong Python hoặc CLI. Điều này đánh giá hiệu suất của mô hình của bạn bằng các định lượng tiêu chuẩn. Để biết hướng dẫn từng bước, hãy truy cập tài liệu Xác thực YOLO.