COCO128 数据集
介绍
Ultralytics COCO128 是一个小型但功能多样的 目标检测 数据集，由 COCO train 2017 集中的前 128 张图像组成。该数据集非常适合用于测试和调试目标检测模型，或进行新的检测方法实验。它仅包含 128 张图像，既易于管理，又具备足够的多样性，能够用于测试训练流水线以排除错误，并作为训练更大规模数据集之前的验证检查。
Watch: Ultralytics COCO Dataset Overview
此数据集旨在与 Ultralytics Platform 和 YOLO26 配合使用。
数据集 YAML
YAML (Yet Another Markup Language) 文件用于定义数据集配置。它包含了有关数据集路径、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/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使用方法
若要使用图像大小为 640 的 COCO128 数据集训练 YOLO26n 模型 100 个 epoch，你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
# 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)样本图像和标注
以下是来自 COCO128 数据集的一些图像示例及其相应的标注：
- 马赛克图像：此图像展示了由马赛克数据集图像组成的训练批次。马赛克是一种在训练期间使用的技术，它将多张图像合并为单张图像，以增加每个训练批次中目标和场景的多样性。这有助于提高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，以及在训练过程中使用马赛克增强的好处。
引文与致谢
如果你在研究或开发工作中使用了 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 联盟为 计算机视觉 社区创建并维护了这一宝贵资源。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 (FAQ)
Ultralytics COCO128 数据集有什么用途？
Ultralytics COCO128 数据集是一个包含 COCO train 2017 数据集前 128 张图像的紧凑子集。它主要用于测试和调试 目标检测 模型、尝试新的检测方法，以及在扩展到更大规模数据集之前验证训练流水线。其可管理的规模非常适合快速迭代，同时具备足够的多样性，是一个有意义的测试用例。
如何使用 COCO128 数据集训练 YOLO26 模型？
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：
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)有关更多训练选项和参数，请参阅 训练 文档。
将马赛克增强与 COCO128 一起使用有什么好处？
马赛克增强（如示例图像所示）将多张训练图像合并为一张合成图像。这种技术在 COCO128 训练时具有以下几个好处：
- 增加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尺寸和宽高比下的泛化能力
- 增强模型对各种尺度物体的检测性能
- 通过创建更多样化的训练样本，最大化小数据集的效用
对于像 COCO128 这样的小型数据集，该技术尤为宝贵，有助于模型从有限的数据中学习到更稳健的特征。
COCO128 与其他 COCO 数据集变体相比如何？
就规模而言，COCO128（128 张图像）介于 COCO8（8 张图像）和完整 COCO 数据集（11.8 万+ 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——在规模和多样性之间取得了平衡
- 完整 COCO：包含 11.8 万+ 张训练图像——全面但资源消耗大
COCO128 提供了一个很好的折中方案，它比 COCO8 具备更多样性，同时在实验和模型初始开发方面比完整 COCO 数据集更易于管理。
我可以使用 COCO128 进行目标检测以外的任务吗？
虽然 COCO128 主要用于目标检测，但该数据集的标注可以适配其他计算机视觉任务：
- 实例分割：使用标注中提供的分割掩码
- 关键点检测：针对包含带关键点标注人物的图像
- 迁移学习：作为针对自定义任务微调模型的起点