COCO128 数据集
简介#
Ultralytics COCO128 是一个小巧而通用的目标检测数据集,由 COCO train 2017 数据集的前 128 张图像组成。此数据集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,可用于检测训练流水线中的错误,并在训练更大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#
首次启动训练时,系统会自动下载 COCO128 数据集(7 MB)。如需在 COCO128 上以 640 的图像尺寸训练一个 YOLO26n 模型,训练 100 个周期,可以使用以下代码片段。
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:此图像展示了由马赛克处理后的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数据增强技术,它将多张图像合并为一张,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尺寸、纵横比和上下文的泛化能力。
此示例展示了 COCO128 数据集图像的多样性和复杂性,以及训练过程中使用马赛克处理的好处。
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 数据集是一个紧凑子集,包含 COCO train 2017 数据集的前 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,以及在扩展到更大数据集之前验证训练流水线。其规模易于管理,非常适合快速迭代,同时又提供了足够的多样性,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。
COCO128 仅提供目标检测标签。对于其他任务,请使用包含相应标注的专用变体:
- 实例分割:COCO128-seg 为相同的前 128 张 COCO train2017 图像添加了分割掩码
- 姿态估计:COCO8-pose 提供人体关键点标注,适合快速测试
COCO128 本身也适合作为小型微调目标,用于测试自定义训练配置。
评论
提出问题、分享结果,或帮助其他人。



