COCO8 数据集
简介
Ultralytics COCO8 数据集是一个紧凑而强大的目标检测数据集,由 COCO train 2017 数据集中的前 8 张图像组成——4 张用于训练,4 张用于验证。该数据集专门设计用于使用 YOLO 模型和训练管道进行快速测试、调试和实验。它体积小巧,易于管理,同时其多样性确保了在扩展到更大的数据集之前,它可以作为有效的完整性检查。
观看: Ultralytics COCO 数据集概述
COCO8 与 Ultralytics HUB 和 YOLO11 完全兼容,可无缝集成到您的计算机视觉工作流程中。
数据集 YAML
COCO8 数据集配置在 YAML(Yet Another Markup Language)文件中定义,该文件指定数据集路径、类名和其他基本元数据。您可以查看官方 coco8.yaml
文件在 Ultralytics GitHub 仓库.
ultralytics/cfg/datasets/coco8.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8 dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8/
# Example usage: yolo train data=coco8.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8 ← downloads here (1 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: coco8 # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 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/coco8.zip
用法
要在 COCO8 数据集上训练 YOLO11n 模型 100 个 epochs,图像大小为 640,请使用以下示例。有关完整的训练选项列表,请参阅 YOLO 训练文档。
训练示例
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8 using the command line
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
Sample Images 和注释
以下是来自 COCO8 数据集的马赛克训练批次示例:
- 马赛克图像: 此图像展示了一个训练批次,其中多个数据集图像使用 mosaic 数据增强进行组合。Mosaic 数据增强增加了每个批次中对象和场景的多样性,帮助模型更好地泛化到各种对象大小、宽高比和背景。
此技术对于像 COCO8 这样的小型数据集尤其有用,因为它最大限度地提高了每张图像在训练过程中的价值。
引用和致谢
如果您在研究或开发中使用 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}
}
常见问题
Ultralytics COCO8 数据集用于什么?
Ultralytics COCO8 数据集专为快速测试和调试 目标检测 模型而设计。它仅包含 8 张图像(4 张用于训练,4 张用于验证),非常适合在扩展到更大的数据集之前,验证您的 YOLO 训练流程并确保一切按预期工作。请查阅 COCO8 YAML 配置文件 以了解更多详情。
如何使用 COCO8 数据集训练 YOLO11 模型?
您可以使用 Python 或 CLI 在 COCO8 上训练 YOLO11 模型:
训练示例
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640
有关其他训练选项,请参阅YOLO 训练文档。
为什么我应该使用 Ultralytics HUB 来管理我的 COCO8 训练?
Ultralytics HUB 简化了 YOLO 模型(包括 COCO8)的数据集管理、训练和部署。借助于云端训练、实时监控和直观的数据集处理等功能,HUB 使您能够一键启动实验,并消除了手动设置的麻烦。详细了解 Ultralytics HUB 以及它如何加速您的计算机视觉项目。
在 COCO8 数据集的训练中使用 Mosaic 数据增强有什么好处?
Mosaic 增强,如 COCO8 训练中所用,在每个批次中将多个图像合并为一个。这增加了对象和背景的多样性,帮助您的 YOLO 模型更好地泛化到新的场景。Mosaic 增强对于小型数据集尤其有价值,因为它最大限度地利用了每个训练步骤中的可用信息。有关更多信息,请参见训练指南。
如何验证在 COCO8 数据集上训练的 YOLO11 模型?
要在 COCO8 上训练后验证你的 YOLO11 模型,请在 python 或 CLI 中使用该模型的验证命令。这将使用标准指标评估你的模型性能。有关分步说明,请访问 YOLO 验证文档。