COCO8-估计数据集

简介

Ultralytics COCO8-Pose 是一个小型但功能多样的姿势估计数据集，由 COCO train 2017 数据集的前 8 张图像组成，其中 4 张用于训练，4 张用于验证。 此数据集非常适合测试和调试目标检测模型，或用于试验新的 detect 方法。 拥有 8 张图像，它足够小，易于管理，但又足够多样化，可以测试训练管道中的错误，并在训练更大的数据集之前作为完整性检查。

数据集结构

• 图片总数8幅（4幅火车图像/4幅验证图像）。
• 类别：1（人），每个注释有 17 个关键点。
• 建议的目录布局: datasets/coco8-pose/images/{train,val} 和 datasets/coco8-pose/labels/{train,val} 的YOLO关键点存储为 .txt 文件

此数据集旨在与 Ultralytics HUB 和 YOLO11 一起使用。

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COCO8数据集而言，YAML 文件包括 coco8-pose.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← 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-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

用法

要在COCO8-姿势估计数据集上对 YOLO11n-COCO8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。

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Sample Images 和注释

下面是COCO8数据集中的一些图像示例及其相应的注释：

• Mosaiced Image：此图像演示了一个由 mosaiced 数据集图像组成的训练批次。Mosaicing 是一种在训练期间使用的技术，它将多个图像组合成一个图像，以增加每个训练批次中对象和场景的多样性。这有助于提高模型泛化到不同对象大小、纵横比和上下文的能力。

该示例展示了COCO8数据集中图像的多样性和复杂性，以及在训练过程中使用马赛克的好处。

引用和致谢

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

什么是COCO8数据集，它如何与Ultralytics YOLO11 一起使用？

COCO8数据集是一个小型的多功能姿势估计 检测数据集，包括COCO train 2017 数据集中的前 8 幅图像，其中 4 幅用于训练，4 幅用于验证。该数据集旨在测试和调试物体检测模型，并尝试新的检测方法。该数据集非常适合使用以下工具进行快速实验 Ultralytics YOLO11.有关数据集配置的更多详情，请查看数据集 YAML 文件。

如何在Ultralytics 中使用COCO8数据集训练YOLO11 模型？

要在COCO8姿势估计数据集上对 YOLO11n-COCO8模型进行 100 次历时训练（图像大小为 640），请遵循以下示例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")

# Train the model
results = model.train(data="coco8-pose.yaml", epochs=100, imgsz=640)

yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

有关训练参数的完整列表，请参阅模型训练页面。

使用COCO8数据集有什么好处？

COCO8数据集有几个优点：

• 尺寸紧凑: 仅包含 8 张图像，易于管理，非常适合快速实验。
• 多样化的数据: 尽管它的尺寸很小，但它包含了各种场景，可用于彻底的管道测试。
• 错误调试: 非常适合在扩展到更大的数据集之前识别训练错误并执行完整性检查。

有关其特性和用法的更多信息，请参阅数据集介绍部分。

使用COCO8数据集进行YOLO11 训练过程中，马赛克处理有何益处？

在COCO8数据集的样本图像中展示的马赛克技术将多幅图像合成一幅，从而增加了每批训练图像中物体和场景的多样性。这项技术有助于提高模型在不同物体尺寸、长宽比和环境下的泛化能力，最终提升模型性能。有关示例图像，请参阅 "示例图像和注释"部分。

在哪里可以找到COCO8数据集 YAML 文件？

COCO8数据集 YAML 文件可在yaml 上找到。该文件定义了数据集配置，包括路径、类和其他相关信息。请将此文件与 "训练示例"部分中提到的YOLO11 训练脚本一起使用。

更多常见问题解答和详细文档，请访问 Ultralytics 文档。

📅 2 年前创建 ✏️ 25 天前更新

评论