跳转至内容

COCO128 数据集

简介

Ultralytics COCO128 是一个小型但功能多样的对象检测数据集,由 COCO train 2017 数据集的前 128 张图像组成。此数据集非常适合测试和调试对象检测模型,或用于试验新的检测方法。它包含 128 张图像,规模足够小,易于管理,但又足够多样化,可以测试训练管道中的错误,并在训练更大的数据集之前作为完整性检查。



观看: Ultralytics COCO 数据集概述

此数据集旨在与 Ultralytics HUBYOLO11 一起使用。

数据集 YAML

YAML(Yet Another Markup Language)文件用于定义数据集配置。它包含有关数据集的路径、类和其他相关信息。在 COCO128 数据集的情况下, coco128.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralytics/cfg/datasets/coco128.yaml

# 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/coco/
# 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

要在 COCO128 数据集上训练 YOLO11n 模型 100 个 epochs,图像大小为 640,您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。

训练示例

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

Sample Images 和注释

以下是来自 COCO128 数据集的一些图像示例,以及它们对应的注释:

数据集样本图像

  • Mosaiced Image:此图像演示了一个由 mosaiced 数据集图像组成的训练批次。Mosaicing 是一种在训练期间使用的技术,它将多个图像组合成一个图像,以增加每个训练批次中对象和场景的多样性。这有助于提高模型泛化到不同对象大小、纵横比和上下文的能力。

该示例展示了 COCO128 数据集中图像的多样性和复杂性,以及在训练过程中使用马赛克拼接的好处。

引用和致谢

如果您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}
}

我们要感谢 COCO Consortium 创建和维护这个有价值的计算机视觉社区资源。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 数据集用于什么?

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、试验新的检测方法以及在扩展到更大的数据集之前验证训练管道。其可管理的大小使其非常适合快速迭代,同时仍提供足够的 diversity 以成为一个有意义的测试用例。

如何使用 COCO128 数据集训练 YOLO11 模型?

要在 COCO128 数据集上训练 YOLO11 模型,您可以使用 Python 或 CLI 命令。方法如下:

训练示例

from ultralytics import YOLO

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

# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640

有关更多训练选项和参数,请参阅训练文档。

将马赛克数据增强与 COCO128 结合使用有什么好处?

如 sample_images 中所示,Mosaic 数据增强将多个训练图像组合成一个合成图像。在 COCO128 上进行训练时,此技术具有以下优点:

  • 增加了每个训练批次中对象和上下文的多样性
  • 提高模型在不同对象大小和宽高比上的泛化能力
  • 增强了各种尺度下物体的检测性能
  • 通过创建更多样化的训练样本来最大化小型数据集的效用

这种技术对于像COCO128这样的小型数据集尤其有价值,有助于模型从有限的数据中学习更强大的特征。

COCO128 与其他 COCO 数据集变体相比如何?

COCO128(128 张图像)在大小方面介于 COCO8(8 张图像)和完整的 COCO 数据集(118K+ 张图像)之间:

  • COCO8: 仅包含8张图像(4张训练,4张验证)- 非常适合快速测试和调试
  • COCO128: 包含128张图像 - 在大小和多样性之间取得平衡
  • 完整 COCO:包含 118K+ 训练图像 - 全面但资源密集

COCO128 提供了一个很好的中间地带,与 COCO8 相比,它提供了更多的多样性,同时比完整的 COCO 数据集更容易管理,便于实验和初始模型开发。

我可以使用 COCO128 执行目标检测以外的任务吗?

虽然 COCO128 主要设计用于对象检测,但数据集的注释可以适用于其他计算机视觉任务:

  • 实例分割: 使用注释中提供的分割掩码
  • 关键点检测:适用于包含带有关键点注释的人员的图像
  • 迁移学习: 作为微调模型以执行自定义任务的起点

对于像分割这样的专门任务,请考虑使用专门构建的变体,如COCO8-seg,其中包含适当的注释。



📅 5 个月前创建 ✏️ 5 个月前更新

评论