COCO8 Pose 数据集

导言

UltralyticsCOCO8-Pose 是一个小型但用途广泛的姿态检测数据集，由 COCO 训练 2017 年集的前 8 幅图像组成，其中 4 幅用于训练，4 幅用于验证。该数据集非常适合测试和调试物体检测模型，或试验新的检测方法。该数据集由 8 幅图像组成，规模较小，易于管理，但种类繁多，足以测试训练管道是否存在错误，并在训练较大数据集之前进行合理性检查。

该数据集用于Ultralytics HUB 和 YOLOv8.

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

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/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

使用方法

要在图像大小为 640 的 COCO8-Pose 数据集上训练YOLOv8n-pose 模型 100 次，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("yolov8n-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 detect train data=coco8-pose.yaml model=yolov8n-pose.pt epochs=100 imgsz=640

图片和注释示例

下面是 COCO8-Pose 数据集中的一些图像示例及其相应的注释：

• 镶嵌图像：该图像展示了由马赛克数据集图像组成的训练批次。马赛克是一种在训练过程中使用的技术，可将多幅图像合并为单幅图像，以增加每个训练批次中物体和场景的多样性。这有助于提高模型对不同物体尺寸、长宽比和环境的泛化能力。

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镶嵌技术的好处。

引文和致谢

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

COCO8-Pose 数据集是什么，如何与Ultralytics YOLOv8 一起使用？

COCO8-Pose 数据集是一个小型的多功能姿势检测数据集，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。它专为测试和调试物体检测模型以及实验新的检测方法而设计。该数据集非常适合用于快速试验 Ultralytics YOLOv8.有关数据集配置的更多详情，请点击此处查看数据集 YAML 文件。

如何在Ultralytics 中使用 COCO8-Pose 数据集训练YOLOv8 模型？

要在 COCO8-Pose 数据集上对YOLOv8n-pose 模型进行 100 次历时训练（图像大小为 640），请参考以下示例：

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n-pose.pt")

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

yolo detect train data=coco8-pose.yaml model=yolov8n.pt epochs=100 imgsz=640

有关培训论点的完整列表，请参阅模型培训页面。

使用 COCO8-Pose 数据集有什么好处？

COCO8-Pose 数据集有几个优点：

• 体积小巧：只有 8 幅图像，易于管理，非常适合快速实验。
• 多样化的数据：尽管体积小，但它包含各种场景，有助于进行全面的管道测试。
• 错误调试：在扩展到更大的数据集之前，它是识别训练错误和执行正确性检查的理想工具。

有关其功能和使用方法的更多信息，请参阅数据集介绍部分。

使用 COCO8-Pose 数据集的YOLOv8 训练过程如何受益于镶嵌？

在 COCO8 Pose 数据集的样本图像中演示的马赛克拼接技术将多幅图像合并为一幅图像，从而增加了每个训练批次中物体和场景的多样性。这种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，最终提高模型性能。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-Pose 数据集 YAML 文件？

COCO8-Pose 数据集 YAML 文件可在此处找到。该文件定义了数据集配置，包括路径、类和其他相关信息。该文件可与YOLOv8 训练示例部分中提到的训练脚本一起使用。

有关更多常见问题和详细文档，请访问Ultralytics 文档。

评论