Link to this sectionCOCO128 数据集#

Link to this section简介#

Ultralytics COCO128 是一个小型但功能多样的目标检测数据集，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，或用于尝试新的检测方法。它包含 128 张图像，规模足够小，易于管理，同时又具备足够的多样性，可以用来测试训练流水线是否存在错误，并在训练更大的数据集之前进行完整性检查。

Watch: Ultralytics COCO Dataset Overview

此数据集旨在与 Ultralytics Platform 和 YOLO26 配合使用。

Link to this section数据集 YAML#

YAML (Yet Another Markup Language) 文件用于定义数据集的配置。它包含有关数据集路径、类别和其他相关信息。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/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

Link to this section用法#

若要在 COCO128 数据集上训练 YOLO26n 模型 100 个 epoch，且图像尺寸为 640，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。

训练示例

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)

Link to this section样本图像和标注#

以下是 COCO128 数据集中的一些图像示例及其对应的标注：

COCO128 object detection dataset mosaic training batch

马赛克图像：此图像展示了一个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物体和场景的多样性。这有助于提高模型对不同物体尺寸、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 Mosaic 数据增强带来的好处。

Link to this section引用与致谢#

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：

引用

@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 为计算机视觉社区创建并维护这一宝贵资源。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。

Link to this section常见问题解答#

Link to this sectionUltralytics COCO128 数据集有什么用途？#

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水线。其易于管理的规模使其非常适合快速迭代，同时又能提供足够的多样性，成为一个有效的测试用例。

Link to this section如何使用 COCO128 数据集训练 YOLO26 模型？#

要在 COCO128 数据集上训练 YOLO26 模型，你可以使用 Python 或 CLI 命令。操作如下：

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)

有关更多训练选项和参数，请参阅训练文档。

Link to this section将 Mosaic 增强与 COCO128 结合使用有什么好处？#

如示例图像所示，Mosaic 增强将多张训练图像合并为一张合成图像。在 COCO128 上进行训练时，该技术具有以下几个优势：

增加了每个训练批次中对象和上下文的多样性
提高了模型在不同对象尺寸和长宽比下的泛化能力
增强了对各种尺度对象的检测性能
通过创建更多样化的训练样本，最大化了小型数据集的效用

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。

Link to this sectionCOCO128 与其他 COCO 数据集变体相比如何？#

在规模方面，COCO128（128 张图像）介于 COCO8（8 张图像）和完整的 COCO 数据集（11.8 万多张图像）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——在规模和多样性之间取得了平衡
完整 COCO：包含 11.8 万多张训练图像——内容全面但资源消耗大

COCO128 提供了一个良好的折中方案，它比 COCO8 具有更多样性，同时在实验和模型初步开发方面比完整 COCO 数据集更易于管理。

Link to this section我可以使用 COCO128 进行目标检测以外的任务吗？#

虽然 COCO128 主要专为目标检测而设计，但该数据集的标注也可用于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的人物的图像
迁移学习：作为为自定义任务微调模型的起点

对于分割等专业任务，请考虑使用专门构建的变体，如包含相应标注的 COCO8-seg。

贡献者

GLglenn-jocher⁶ LAlakshanthad¹

已创建 2025年3月9日已更新上周