Bảo mật sẵn sàng cho doanh nghiệp: Tuân thủ ISO 27001 + SOC 2 Type I.
CC BY 4.0

Link to this sectionTập dữ liệu COCO8-Pose#

Link to this sectionGiới thiệu#

Ultralytics COCO8-Pose là một tập dữ liệu ước tính tư thế (pose estimation) nhỏ gọn nhưng đa năng, bao gồm 8 hình ảnh đầu tiên của tập COCO train 2017 (4 ảnh để huấn luyện, 4 ảnh để kiểm thử), sử dụng lược đồ 17 điểm chính (keypoint) cho lớp "person" duy nhất. Tập dữ liệu này rất lý tưởng để kiểm tra và gỡ lỗi các mô hình pose estimation, hoặc để thử nghiệm các phương pháp phát hiện điểm chính mới. Với 8 hình ảnh, nó đủ nhỏ để dễ dàng quản lý nhưng cũng đủ đa dạng để kiểm tra các đường ống (pipeline) huấn luyện nhằm phát hiện lỗi và đóng vai trò như một bước kiểm tra tính hợp lệ trước khi huấn luyện trên tập dữ liệu COCO-Pose đầy đủ.

Link to this sectionCấu trúc tập dữ liệu#

  • Tổng số hình ảnh: 8 (4 train / 4 val).
  • Các lớp: 1 (person) với 17 loại điểm chính (keypoint) cho mỗi chú thích (annotation).
  • Dung lượng tải xuống: ~1 MB.
  • Cấu trúc thư mục khuyến nghị: datasets/coco8-pose/images/{train,val} và datasets/coco8-pose/labels/{train,val} với các điểm mấu chốt theo định dạng YOLO được lưu dưới dạng các tệp .txt.

Khám phá COCO8-Pose trên Ultralytics Platform để duyệt từng hình ảnh cùng với các khung xương (skeleton) điểm chính của chúng, xem phân phối điểm chính và lớp trong tab Charts, và sao chép (clone) tập dữ liệu để huấn luyện mô hình của riêng bạn trên cloud.

Link to this sectionYAML tập dữ liệu#

Tệp YAML được sử dụng để xác định cấu hình tập dữ liệu. Nó chứa thông tin về các đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Đối với tập dữ liệu COCO8-Pose, tệp coco8-pose.yaml được duy trì tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

ultralytics/cfg/datasets/coco8-pose.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← 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-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

Link to this sectionCách sử dụng#

Để huấn luyện một mô hình YOLO26n-pose trên tập dữ liệu COCO8-Pose trong 100 epochs 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 Training của mô hình.

Ví dụ về Training
from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

Link to this sectionHình ảnh mẫu và chú thích#

Dưới đây là một số ví dụ về các hình ảnh từ tập dữ liệu COCO8-Pose, cùng với các chú thích tương ứng của chúng:

COCO8-pose keypoint estimation dataset mosaic
  • Hình ảnh Mosaiced: Hình ảnh này minh họa một batch huấn luyện bao gồm các hình ảnh từ tập dữ liệu đã được áp dụng kỹ thuật Mosaic. Mosaic là một kỹ thuật được sử dụng trong quá trình huấn luyện nhằm kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các đối tượng và bối cảnh trong mỗi batch huấn luyện. Điều này giúp cải thiện khả năng tổng quát hóa của model đối với các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.

Link to this sectionTrích dẫn và Ghi nhận#

Nếu bạn sử dụng bộ dữ liệu COCO trong công việc 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}
}

Chúng tôi xin ghi nhận COCO Consortium vì đã tạo ra và duy trì nguồn tài nguyên quý giá này cho cộng đồng computer vision. 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.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionTập dữ liệu COCO8-Pose là gì và nó được sử dụng như thế nào với Ultralytics YOLO26?#

Tập dữ liệu COCO8-Pose là một tập dữ liệu ước tính tư thế nhỏ và đa năng, bao gồm 8 hình ảnh đầu tiên từ tập COCO train 2017, với 4 ảnh để huấn luyện và 4 ảnh để kiểm thử. Nó được thiết kế để kiểm tra và gỡ lỗi các mô hình ước tính tư thế cũng như thử nghiệm các phương pháp phát hiện điểm chính mới. Tập dữ liệu này rất lý tưởng cho các thử nghiệm nhanh với Ultralytics YOLO26. Để biết thêm chi tiết về cấu hình tập dữ liệu, hãy xem tệp YAML của tập dữ liệu.

Link to this sectionLàm cách nào để tôi huấn luyện mô hình YOLO26 sử dụng tập dữ liệu COCO8-Pose trong Ultralytics?#

Tải yolo26n-pose.pt và gọi model.train(data="coco8-pose.yaml", epochs=100, imgsz=640) — xem Ví dụ Huấn luyện ở trên để biết các đoạn mã Python và CLI đầy đủ, đồng thời tham khảo trang Huấn luyện của mô hình để có danh sách đầy đủ các đối số.

Link to this sectionNhững lợi ích của việc sử dụng tập dữ liệu COCO8-Pose là gì?#

Với tổng cộng 8 hình ảnh (4 train / 4 val), 1 lớp, lược đồ 17 điểm chính và dung lượng tải xuống ~1 MB, COCO8-Pose đủ nhỏ để quản lý trong vài giây nhưng cũng đủ đa dạng để kiểm tra tính hợp lệ của đường ống huấn luyện tư thế nhằm phát hiện lỗi trước khi mở rộng quy mô lên tập dữ liệu COCO-Pose đầy đủ. Để biết thêm về các tính năng và cách sử dụng, hãy xem phần Giới thiệu Tập dữ liệu.

Link to this sectionKỹ thuật mosaicing mang lại lợi ích gì cho quá trình huấn luyện YOLO26 khi sử dụng tập dữ liệu COCO8-Pose?#

Mosaicing kết hợp nhiều hình ảnh thành một, giúp tăng sự đa dạng của các đối tượng và khung cảnh trong mỗi batch huấn luyện, điều này hỗ trợ mô hình tổng quát hóa tốt hơn trên các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau. Xem phần Hình ảnh và Chú thích Mẫu để biết ví dụ.

Link to this sectionTôi có thể tìm tệp YAML của tập dữ liệu COCO8-Pose ở đâu và cách sử dụng nó như thế nào?#

Tệp YAML của tập dữ liệu COCO8-Pose có thể được tìm thấy tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml. Tệp này xác định cấu hình tập dữ liệu, bao gồm các đường dẫn, các lớp và thông tin liên quan khác. Sử dụng tệp này với các tập lệnh huấn luyện YOLO26 như đã đề cập trong phần Train Example.

Để biết thêm về các model keypoint, hãy xem tài liệu tác vụ Pose Estimation.

Người đóng góp
GLglenn-jocher16RAraimbekovm3JKjk4e2MAMatthewNoyce1RIRizwanMunawar1LUlunarifish1

Bình luận