Chuyển đến nội dung

COCO8 -Bộ dữ liệu tư thế

Giới thiệu

Ultralytics COCO8-Pose là một dataset pose detection nhỏ nhưng linh hoạt, bao gồm 8 hình ảnh đầu tiên của tập COCO train 2017, 4 cho huấn luyện và 4 cho xác thực. Dataset này lý tưởng để kiểm tra và gỡ lỗi các mô hình object detection hoặc để thử nghiệm các phương pháp detection mới. Với 8 hình ảnh, nó đủ nhỏ để dễ quản lý, nhưng đủ đa dạng để kiểm tra các pipeline huấn luyện để tìm lỗi và hoạt động như một bước kiểm tra tính hợp lệ trước khi huấn luyện các dataset lớn hơn.

Cấu trúc bộ dữ liệu

  • Tổng số hình ảnh : 8 (4 hình ảnh tàu hỏa / 4 hình ảnh giá trị).
  • Lớp học : 1 (người) với 17 điểm chính cho mỗi chú thích.
  • Bố cục thư mục được đề xuất: datasets/coco8-pose/images/{train,val} và datasets/coco8-pose/labels/{train,val} với YOLO -định dạng các điểm chính được lưu trữ dưới dạng .txt các tập tin.

Bộ dữ liệu này được thiết kế để sử dụng với Ultralytics HUB và YOLO11.

YAML bộ dữ liệu

Tệp YAML (Yet Another Markup Language - Ngôn ngữ Đánh dấu Khác) được sử dụng để định nghĩa cấu hình tập dữ liệu. Tệp này chứa thông tin về đường dẫn, lớp và các thông tin liên quan khác của tập dữ liệu. Trong trường hợp COCO8 -Bộ dữ liệu tư thế, coco8-pose.yaml tệp 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

Cách sử dụng

Để đào tạo một mô hình YOLO11n-pose trên COCO8 - Tập dữ liệu Pose cho 100 kỷ nguyên với kích thước 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 Đào tạo mô hình.

Ví dụ huấn luyện

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Ảnh và Chú thích mẫu

Dưới đây là một số ví dụ về hình ảnh từ COCO8 -Bộ dữ liệu tư thế, cùng với các chú thích tương ứng:

Ảnh mẫu bộ dữ liệu

  • Hình ảnh Mosaiced: Hình ảnh này minh họa một lô huấn luyện bao gồm các hình ảnh bộ dữ liệu được mosaiced. Mosaicing là một kỹ thuật được sử dụng trong quá trình huấn luyện, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của các đối tượng và cảnh trong mỗi lô huấn luyện. Điều này giúp cải thiện khả năng tổng quát hóa của mô hình đối với các kích thước, tỷ lệ khung hình và ngữ cảnh khác nhau của đối tượng.

Ví dụ này cho thấy sự đa dạng và phức tạp của hình ảnh trong COCO8 -Bộ dữ liệu tư thế và lợi ích của việc sử dụng khảm trong quá trình đào tạo.

Trích dẫn và Lời cảm ơn

Nếu bạn sử dụng COCO tập dữ liệu trong công trình 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}
}

Chúng tôi muốn ghi nhận COCO Liên minh tạo ra và duy trì nguồn tài nguyên có giá trị này cho cộng đồng thị giác máy tính . Để biết thêm thông tin về COCO bộ dữ liệu và những người tạo ra nó, hãy truy cập trang web bộ dữ liệu COCO .

Câu hỏi thường gặp

Cái gì là COCO8 -Bộ dữ liệu tư thế và cách sử dụng nó với Ultralytics YOLO11 ?

Các COCO8 -Bộ dữ liệu tư thế là một bộ dữ liệu phát hiện tư thế nhỏ, linh hoạt bao gồm 8 hình ảnh đầu tiên từ COCO Bộ dữ liệu train 2017, với 4 ảnh để huấn luyện và 4 ảnh để xác thực. Nó được thiết kế để kiểm tra và gỡ lỗi các mô hình phát hiện đối tượng và thử nghiệm các phương pháp phát hiện mới. Bộ dữ liệu này lý tưởng cho các thử nghiệm nhanh với Ultralytics YOLO11 . Để biết thêm chi tiết về cấu hình bộ dữ liệu, hãy xem tệp YAML của bộ dữ liệu .

Làm thế nào để tôi đào tạo một YOLO11 mô hình sử dụng COCO8 -Bộ dữ liệu tư thế trong Ultralytics ?

Để đào tạo một mô hình YOLO11n-pose trên COCO8 -Bộ dữ liệu Pose cho 100 kỷ nguyên với kích thước hình ảnh là 640, hãy làm theo các ví dụ sau:

Ví dụ huấn luyện

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")

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

yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Để có danh sách đầy đủ các đối số huấn luyện, hãy tham khảo trang Huấn luyện của mô hình.

Những lợi ích của việc sử dụng là gì? COCO8 -Bộ dữ liệu tư thế?

Các COCO8 -Bộ dữ liệu tư thế cung cấp một số lợi ích:

  • Kích thước Nhỏ gọn: Chỉ với 8 hình ảnh, rất dễ quản lý và hoàn hảo cho các thử nghiệm nhanh.
  • Dữ liệu Đa dạng: Mặc dù có kích thước nhỏ, nhưng nó bao gồm nhiều cảnh khác nhau, hữu ích cho việc kiểm tra pipeline kỹ lưỡng.
  • Gỡ lỗi lỗi: Lý tưởng để xác định lỗi huấn luyện và thực hiện kiểm tra tính hợp lệ trước khi mở rộng quy mô sang các tập dữ liệu lớn hơn.

Để biết thêm về các tính năng và cách sử dụng, hãy xem phần Giới Thiệu về Bộ Dữ Liệu.

Khảm có lợi ích như thế nào? YOLO11 quá trình đào tạo sử dụng COCO8 -Bộ dữ liệu tư thế?

Khảm, được thể hiện trong các hình ảnh mẫu của COCO8 -Bộ dữ liệu Pose kết hợp nhiều ảnh thành một, tăng tính đa dạng của các đối tượng và cảnh trong mỗi đợt huấn luyện. Kỹ thuật này giúp cải thiện khả năng khái quát hóa của mô hình trên nhiều kích thước, tỷ lệ khung hình và bối cảnh đối tượng khác nhau, từ đó nâng cao hiệu suất mô hình. Xem phần Hình ảnh mẫu và Chú thích để biết thêm chi tiết về các hình ảnh ví dụ.

Tôi có thể tìm thấy ở đâu? COCO8 - Tệp YAML của bộ dữ liệu Pose và tôi sử dụng nó như thế nào?

Các COCO8 - Tệp YAML của tập dữ liệu Pose có thể được tìm thấy tại https://github.com/ ultralytics / ultralytics /blob/main/ ultralytics yaml . Tệp này định nghĩa cấu hình tập dữ liệu, bao gồm đường dẫn, lớp và các thông tin liên quan khác. Sử dụng tệp này với YOLO11 các tập lệnh đào tạo như đã đề cập trong phần Ví dụ đào tạo .

Để xem thêm các câu hỏi thường gặp và tài liệu chi tiết, hãy truy cập Tài liệu Ultralytics.



📅 Đã tạo 2 năm trước ✏️ Cập nhật 25 ngày trước
glenn-jocherUltralyticsAssistantjk4eMatthewNoyceRizwanMunawarhnliu_2@stu.xidian.edu.cn

Bình luận