COCO8 数据集
导言
超数据分析 UltralyticsCOCO8 数据集是一个小巧但功能强大的物体检测数据集，由 COCO train 2017 数据集中的前 8 幅图像组成，其中 4 幅用于训练，4 幅用于验证。该数据集专门用于快速测试、调试和试验 YOLO模型和训练管道进行快速测试、调试和实验。该数据集规模较小，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，它能起到有效的检验作用。
观看： Ultralytics COCO 数据集概览
COCO8 与Ultralytics HUB和 YOLO11实现与计算机视觉工作流程的无缝集成。
数据集 YAML
COCO8 数据集配置是在 YAML（另一种标记语言）文件中定义的，该文件指定了数据集路径、类名和其他重要元数据。您可以查看官方的 coco8.yaml 文件中的 Ultralytics GitHub 存储库.
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: ../datasets/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
要在 COCO8 数据集上对 YOLO11n 模型进行 100次历时训练（图像大小为 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。
列车示例
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
图片和注释示例
下面是 COCO8 数据集中一个镶嵌训练批次的示例：
- 马赛克图像：该图像展示了使用马赛克增强技术将多个数据集图像组合在一起的训练批次。马赛克增强增加了每个批次中物体和场景的多样性，有助于模型更好地泛化到各种物体尺寸、长宽比和背景中。
这种技术对于 COCO8 这样的小型数据集尤其有用，因为它能在训练过程中将每幅图像的价值最大化。
引文和致谢
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 数据集的用途是什么？
Ultralytics COCO8 数据集是专为快速测试和调试物体检测模型而设计的。该数据集仅有 8 幅图像（4 幅用于训练，4 幅用于验证），非常适合验证您的 YOLO训练管道，并确保在扩展到更大的数据集之前一切工作符合预期的理想选择。了解COCO8 YAML 配置的更多详情。
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：
列车示例
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
有关其他培训选项，请参阅YOLO 培训文档。
为什么要使用Ultralytics HUB 管理 COCO8 培训？
Ultralytics HUB简化了数据集管理、培训和部署，为 YOLO模型（包括 COCO8）的数据集管理和部署。凭借云训练、实时监控和直观的数据集处理等功能，HUB 让您只需点击一下就能启动实验，并消除了手动设置的麻烦。了解有关Ultralytics HUB的更多信息，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马赛克增强技术有什么好处？
COCO8 训练中使用的马赛克增强技术可在每个批次中将多张图像合并为一张。这增加了物体和背景的多样性，有助于您的 YOLO模型更好地适应新的场景。马赛克增强对于小型数据集尤为重要，因为它可以最大限度地利用每个训练步骤中的可用信息。有关更多信息，请参阅训练指南。
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YOLO11 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模型的性能。有关分步说明，请访问YOLO 验证文档。
