COCO128 数据集#
简介#
Ultralytics COCO128 是一个小型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。该数据集非常适合测试和调试目标检测模型，或试验新的检测方法。它包含 128 张图像，规模足够小，便于管理，同时又具有足够的多样性，可以用于检测训练流程中的错误，并在训练更大型数据集之前进行合理性检查。
Watch: Ultralytics COCO Dataset Overview
此数据集适用于 Ultralytics Platform 和 YOLO26。
数据集结构#
COCO128 包含 COCO train 2017 数据集中的前 128 张图像，涵盖 COCO 的全部 80 个目标类别，并采用 YOLO 标签格式。这 128 张图像同时用作训练集和验证集，从而保持轻量，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#
使用 YAML 文件定义数据集配置。该文件包含数据集路径、类别及其他相关信息。对于 COCO128 数据集，coco128.yaml 文件维护在 https://github.com/ultralytics/ultralytics/blob/main/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/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使用方法#
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 个训练轮次，图像大小设为 640，可以使用以下代码片段。如需查看可用参数的完整列表，请参阅模型训练页面。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt") # load a pretrained model (recommended for training)
# Train the model
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：此图像展示了由马赛克拼接数据集图像组成的训练批次。马赛克拼接是训练期间使用的一种技术，它将多张图像合并为一张图像，以增加每个训练批次中物体和场景的多样性。这有助于提升模型对不同物体大小、宽高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，以及在训练过程中使用马赛克增强的优势。
引用和致谢#
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 创建并维护这一为计算机视觉社区提供的重要资源。如需了解有关 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、试验新的检测方法，以及在扩展到更大型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，同时仍能提供足够的多样性，作为有意义的测试用例。
要在 COCO128 数据集上训练 YOLO26 模型，你可以使用 Python 或 CLI 命令。具体如下：
训练示例from ultralytics import YOLO # Load a pretrained model model = YOLO("yolo26n.pt") # Train the model 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。
如示例图像所示，马赛克增强会将多张训练图像组合成一张合成图像。在使用 COCO128 进行训练时，这项技术具有以下优势：
- 增加每个训练批次中目标和场景的多样性
- 提升模型在不同目标尺寸和宽高比下的泛化能力
- 增强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，最大限度地发挥小型数据集的作用
这项技术对于 COCO128 这类较小的数据集尤其有价值，可以帮助模型从有限的数据中学习更加稳健的特征。