COCO128 数据集#
简介#
Ultralytics COCO128 是一个规模较小但用途广泛的目标检测数据集，由 COCO train 2017 数据集中的前 128 张图像组成。该数据集适合用于测试和调试目标检测模型，或试验新的检测方法。该数据集只有 128 张图像，规模足够小，便于管理；同时又足够多样，可以用来检查训练流程是否存在错误，并在训练更大的数据集之前进行合理性检查。
观看： Ultralytics COCO 数据集概览
该数据集旨在配合 Ultralytics Platform 和 YOLO26 使用。
数据集结构#
COCO128 包含 COCO train 2017 集中的前 128 张图像，这些图像按照 YOLO 标签格式使用 80 个 COCO 类别名称进行标注（其中 71 个类别出现在这些图像中）。这 128 张图像同时用作训练集和验证集，便于快速进行合理性检查：
coco128/
├── images/
│ └── train2017/ # 128 images (used for both train and val)
└── labels/
└── train2017/数据集 YAML#
数据集配置通过 YAML 文件定义，其中包含数据集路径、类别及其他相关信息。对于 COCO128 数据集，coco128.yaml 文件由 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml 维护。
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco128
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 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: coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128.zip用法#
COCO128 数据集（7 MB）会在你首次开始训练时自动下载。要使用 COCO128 训练 YOLO26n 模型 100 个 轮次，图像尺寸设为 640，可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo26n.pt") # 加载预训练模型（推荐用于训练）
# 训练模型
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)示例图像和标注#
以下是 COCO128 数据集中的一些图像示例及其对应的标注：
- 马赛克图像：此图像展示了由数据集马赛克图像组成的训练批次。马赛克是一种训练时使用的技术，它将多张图像合并为一张图像，从而增加每个训练批次中目标和场景的多样性。这有助于提升模型对不同目标尺寸、长宽比和上下文的泛化能力。
该示例展示了 COCO128 数据集中图像的多样性和复杂性，以及训练过程中使用马赛克增强的优势。
引用与致谢#
如果你在研究或开发工作中使用 COCO 数据集，请引用以下论文：
@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}
}我们感谢 COCO Consortium 创建并维护这一宝贵资源，为计算机视觉社区提供支持。有关 COCO 数据集及其创建者的更多信息，请访问 COCO 数据集网站。
常见问题#
Ultralytics COCO128 数据集是一个紧凑的子集，包含 COCO train 2017 数据集中的前 128 张图像。它主要用于测试和调试目标检测模型、尝试新的检测方法，以及在扩展到更大的数据集之前验证训练流程。其易于管理的规模非常适合快速迭代，同时又具备足够的多样性，可作为有意义的测试用例。
你可以使用 Python 或 CLI 命令在 COCO128 数据集上训练 YOLO26 模型。操作如下：
训练示例from ultralytics import YOLO # 加载预训练模型 model = YOLO("yolo26n.pt") # 训练模型 results = model.train(data="coco128.yaml", epochs=100, imgsz=640)如需了解更多训练选项和参数，请参阅训练文档。
如示例图所示，马赛克增强会将多张训练图像组合成一张合成图像。使用 COCO128 训练时，这项技术有以下几项优势：
- 增加每个训练批次中目标及其上下文的多样性
- 提升模型对不同目标尺寸和纵横比的泛化能力
- 提升模型对不同尺度目标的检测性能
- 通过创建更多样化的训练样本，充分利用小型数据集
这项技术对于 COCO128 这类较小的数据集尤其有价值，能帮助模型从有限数据中学习更稳健的特征。