COCO8 数据集
介绍
Ultralytics COCO8 数据集是一个精简但功能强大的目标检测数据集，它包含了 COCO train 2017 集合中的前 8 张图像——4 张用于训练，4 张用于验证。该数据集专为快速测试、调试和实验 YOLO 模型及训练流程而设计。其体积小巧，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是一个有效的健全性检查工具。
Watch: Ultralytics COCO Dataset Overview
COCO8 与 Ultralytics Platform 和 YOLO26 完全兼容，能够无缝集成到你的计算机视觉工作流程中。
数据集 YAML
The COCO8 dataset configuration is defined in a YAML (Yet Another Markup Language) file, which specifies dataset paths, class names, and other essential metadata. You can review the official coco8.yaml file in the Ultralytics GitHub repository.
# 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使用方法
若要在 COCO8 数据集上训练 YOLO26n 模型，设置 100 个 epochs 且图像尺寸为 640，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
以下是来自 COCO8 数据集的马赛克（mosaic）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、长宽比和背景中。
这种技术对于像 COCO8 这样的小型数据集特别有用，因为它能在训练期间最大化每张图像的价值。
引文与致谢
如果你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}
}特别感谢 COCO Consortium 对计算机视觉社区的持续贡献。
常见问题 (FAQ)
Ultralytics COCO8 数据集有什么用途？
Ultralytics COCO8 数据集旨在用于快速测试和调试目标检测模型。它仅有 8 张图像（4 张用于训练，4 张用于验证），是验证你的 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的理想选择。探索 COCO8 YAML 配置以了解更多详情。
如何使用 COCO8 数据集训练 YOLO26 模型？
你可以使用 Python 或 CLI 在 COCO8 上训练 YOLO26 模型：
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。
为什么我应该使用 Ultralytics Platform 来管理我的 COCO8 训练？
Ultralytics Platform 简化了包括 COCO8 在内的 YOLO 模型的数据集管理、训练和部署。借助云端训练、实时监控和直观的数据集处理等功能，HUB 让你可以一键启动实验，并消除了手动设置的繁琐。了解更多关于 Ultralytics Platform 以及它如何加速你的计算机视觉项目。
在 COCO8 数据集训练中使用马赛克增强有什么好处？
正如在 COCO8 训练中所使用的那样，马赛克增强在每个批次中将多张图像合并为一张。这增加了对象和背景的多样性，帮助你的 YOLO 模型更好地泛化到新场景中。马赛克增强对于小型数据集特别有价值，因为它最大化了每个训练步骤中可用的信息量。有关此内容的更多信息，请参阅训练指南。
如何验证我在 COCO8 数据集上训练的 YOLO26 模型？
在 COCO8 上训练完成后，要验证你的 YOLO26 模型，请使用 Python 或 CLI 中的模型验证命令。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。