跳至内容

COCO128 数据集

导言

UltralyticsCOCO128 是一个小型但用途广泛的物体检测数据集，由 COCO train 2017 集的前 128 幅图像组成。该数据集是测试和调试物体检测模型或试验新检测方法的理想之选。该数据集由 128 幅图像组成，小到易于管理，大到足以测试训练管道是否存在错误，并在训练更大的数据集之前进行合理性检查。



观看： Ultralytics COCO 数据集概览

本数据集用于Ultralytics HUB 和 YOLO11.

数据集 YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含数据集的路径、类和其他相关信息。就 COCO128 数据集而言，YAML 文件中的 coco128.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.

ultralytics.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: ../datasets/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

要在 COCO128 数据集上对 YOLO11n 模型进行 100次历时训练（图像大小为 640），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。

列车示例

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

图片和注释示例

下面是 COCO128 数据集中的一些图像示例及其相应的注释：

数据集样本图像

  • 镶嵌图像：该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过程中使用的技术，可将多幅图像合并为单幅图像，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、长宽比和环境的泛化能力。

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镶嵌技术的好处。

引文和致谢

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}
}

我们衷心感谢 COCO 联盟为计算机视觉界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。

常见问题

Ultralytics COCO128 数据集的用途是什么？

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 幅图像。它主要用于测试和调试对象检测模型、实验新的检测方法，以及在扩展到更大数据集之前验证训练管道。它的大小易于管理，非常适合快速迭代，同时还能提供足够的多样性，成为一个有意义的测试案例。

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，可以使用Python 或CLI 命令。具体方法如下：

列车示例

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

有关更多培训选项和参数，请参阅培训文档。

使用 COCO128 进行镶嵌扩增有什么好处？

如示例图像所示，马赛克增强技术将多幅训练图像合并为一幅合成图像。在使用 COCO128 进行训练时，这种技术具有多种优势：

  • 在每批训练中增加对象和情境的多样性
  • 提高不同物体尺寸和长宽比的模型通用性
  • 提高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，最大限度地提高小型数据集的效用

这项技术对 COCO128 等较小的数据集尤为重要，它可以帮助模型从有限的数据中学习到更强大的特征。

COCO128 与其他 COCO 数据集变体相比如何？

就大小而言，COCO128（128 幅图像）介于COCO8（8 幅图像）和完整COCO数据集（118K 多幅图像）之间：

  • COCO8：仅包含 8 个图像（4 个训练图像、4 个值图像）--是快速测试和调试的理想选择
  • COCO128：包含 128 幅图像 - 大小和多样性兼顾
  • 完整 COCO：包含 118K+ 培训图像 - 全面但资源密集

COCO128 提供了一个很好的中间点，它比 COCO8 提供了更多的多样性，同时比完整的 COCO 数据集更易于管理，可用于实验和初始模型开发。

COCO128 可用于物体检测以外的任务吗？

虽然 COCO128 主要用于物体检测，但该数据集的注释可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
  • 关键点检测对于包含关键点注释的人物图像
  • 迁移学习：作为针对自定义任务微调模型的起点

对于细分等专业任务，可考虑使用COCO8-seg等包含适当注释的专用变体。

📅创建于 1 个月前 ✏️已更新 1 个月
翔宇 lakshanthad

评论