COCO8 数据集#
简介#
Ultralytics COCO8 数据集是一个精简但功能强大的目标检测数据集，由 COCO train 2017 集的前 8 张图像组成——4 张用于训练，4 张用于验证。该数据集专门用于对 YOLO 模型和训练流程进行快速测试、调试和实验。它体积小，易于管理，同时其多样性确保了它在扩展到更大数据集之前作为一个有效的健全性检查。
Watch: Ultralytics COCO Dataset Overview
数据集结构#
COCO8 包含 COCO train 2017 集的前 8 张图像——4 张用于训练，4 张用于验证——涵盖了 YOLO 标签格式中的全部 80 个 COCO 对象类别：
coco8/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── labels/
├── train/
└── val/在Ultralytics 平台上探索 COCO8 以浏览带有标注覆盖的每张图像，在图表标签页中查看类别分布和边界框热图，并将其克隆以在云端训练你自己的模型。
数据集 YAML#
COCO8 数据集配置在一个 YAML 文件中定义，该文件指定了数据集路径、类别名称以及其他重要的元数据。你可以在 Ultralytics GitHub repository 中查看官方的 coco8.yaml 文件。
# 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#
COCO8 数据集（1 MB）在你第一次开始训练时会自动下载。要使用 640 的图像大小在 COCO8 上训练 YOLO26n 模型 100 个轮次，请使用以下示例。有关训练选项的完整列表，请参阅 YOLO 训练文档。
from ultralytics import YOLO
# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on COCO8
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)样本图像和标注#
以下是 COCO8 数据集中马赛克增强训练批次的示例：
- 马赛克图像：此图像展示了一个训练批次，其中通过马赛克增强将多个数据集图像组合在一起。马赛克增强增加了每个批次内对象和场景的多样性，有助于模型更好地泛化到各种对象尺寸、纵横比和背景。
该技术对于像 COCO8 这样的小型数据集特别有用，因为它能在训练过程中最大化每张图像的价值。
引用与致谢#
如果你在研究或开发中使用了 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}
}常见问题解答#
Ultralytics COCO8 数据集旨在对目标检测模型进行快速测试和调试。它仅有 8 张图像（4 张用于训练，4 张用于验证），非常适合验证你的 YOLO 训练流程，并确保在扩展到更大数据集之前一切按预期运行。探索 COCO8 YAML 配置了解更多详情。
你可以使用 Python 或 CLI 在 COCO8 上训练 YOLO26 模型：
训练示例from ultralytics import YOLO # Load a pretrained YOLO26n model model = YOLO("yolo26n.pt") # Train the model on COCO8 results = model.train(data="coco8.yaml", epochs=100, imgsz=640)有关其他训练选项，请参考 YOLO 训练文档。
要在在 COCO8 上训练后验证你的 YOLO26 模型，请在 Python 或 CLI 中使用模型的验证命令。这会使用标准指标评估你的模型的性能。有关分步说明，请访问 YOLO 验证文档。