COCO8-Pose 数据集
简介
Ultralytics COCO8-Pose 是一个小型但通用的姿势检测数据集,由 COCO train 2017 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,或用于试验新的检测方法。它包含 8 张图像,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充当完整性检查。
此数据集旨在与 Ultralytics HUB 和 YOLO11 一起使用。
数据集 YAML
YAML(Yet Another Markup Language)文件用于定义数据集配置。它包含有关数据集的路径、类和其他相关信息。对于 COCO8-Pose 数据集, coco8-pose.yaml
文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml.
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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip
用法
要在 COCO8-Pose 数据集上训练 YOLO11n-pose 模型 100 个 epochs,图像大小为 640,您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。
训练示例
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
以下是 COCO8-Pose 数据集中的一些图像示例,以及它们对应的注释:
- 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-Pose数据集中图像的多样性和复杂性,以及在训练过程中使用图像拼接的好处。
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}
}
我们要感谢 COCO Consortium 创建和维护这个有价值的计算机视觉社区资源。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-Pose 数据集,以及它如何与 Ultralytics YOLO11 一起使用?
COCO8-Pose数据集是一个小型的、通用的姿势估计检测数据集,包含COCO train 2017数据集中的前8张图像,其中4张用于训练,4张用于验证。它专为测试和调试目标检测模型以及试验新的检测方法而设计。此数据集非常适合使用Ultralytics YOLO11进行快速实验。有关数据集配置的更多详细信息,请查看数据集YAML文件。
如何使用 Ultralytics 中的 COCO8-Pose 数据集训练 YOLO11 模型?
要在COCO8-Pose数据集上训练YOLO11n-pose模型100个epoch,图像大小为640,请按照以下示例操作:
训练示例
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-Pose 数据集有什么好处?
COCO8-Pose数据集具有以下几个优点:
- 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-Pose 数据集时,Mosaicing 如何使 YOLO11 训练过程受益?
COCO8-Pose数据集的示例图像中展示了图像拼接,它将多个图像组合成一个图像,从而增加了每个训练批次中对象和场景的多样性。这种技术有助于提高模型在各种对象大小、宽高比和上下文中的泛化能力,最终提高模型性能。有关示例图像,请参见示例图像和注释部分。
在哪里可以找到 COCO8-Pose 数据集 YAML 文件,以及如何使用它?
COCO8-Pose数据集YAML文件可在https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml找到。此文件定义了数据集配置,包括路径、类和其他相关信息。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。