Set di dati COCO8
Introduzione
Il Ultralytics COCO8 è un set di dati compatto ma potente per il rilevamento di oggetti, costituito dalle prime 8 immagini del set COCO train 2017 - 4 per l'addestramento e 4 per la validazione. Questo set di dati è stato progettato specificamente per il test rapido, il debugging e la sperimentazione di YOLO e le pipeline di addestramento. Le sue dimensioni ridotte lo rendono altamente gestibile, mentre la sua diversità lo rende un efficace controllo di sicurezza prima di passare a set di dati più grandi.
Guarda: Ultralytics Panoramica del set di dati COCO
COCO8 è completamente compatibile con Ultralytics HUB e YOLO11consentendo una perfetta integrazione nei flussi di lavoro di computer vision.
Set di dati YAML
La configurazione dei dataset COCO8 è definita in un file YAML (Yet Another Markup Language), che specifica i percorsi dei dataset, i nomi delle classi e altri metadati essenziali. È possibile consultare il file ufficiale coco8.yaml nel file Ultralytics Repository GitHub.
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
Utilizzo
Per addestrare un modello YOLO11n sul set di dati COCO8 per 100 epoche con una dimensione dell'immagine di 640, utilizzare i seguenti esempi. Per un elenco completo delle opzioni di addestramento, consultare la documentazione di YOLO Training.
Esempio di treno
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
Immagini di esempio e annotazioni
Di seguito è riportato un esempio di batch di allenamento mosaicato dal set di dati COCO8:
- Immagine a mosaico: Questa immagine illustra un lotto di addestramento in cui più immagini del set di dati sono state combinate utilizzando l'incremento a mosaico. L'incremento del mosaico aumenta la diversità degli oggetti e delle scene all'interno di ciascun batch, aiutando il modello a generalizzarsi meglio a oggetti di varie dimensioni, rapporti di aspetto e sfondi.
Questa tecnica è particolarmente utile per i piccoli insiemi di dati come COCO8, in quanto massimizza il valore di ciascuna immagine durante l'addestramento.
Citazioni e ringraziamenti
Se utilizzate il set di dati COCO nella vostra ricerca o sviluppo, siete pregati di citare il seguente documento:
@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}
}
Un ringraziamento speciale al Consorzio COCO per il suo continuo contributo alla comunità della computer vision.
FAQ
A cosa serve il dataset Ultralytics COCO8?
Il set di dati Ultralytics COCO8 è stato progettato per un rapido test e debug dei modelli di rilevamento degli oggetti. Con sole 8 immagini (4 per l'addestramento, 4 per la convalida), è ideale per verificare i modelli di YOLO e assicurarsi che tutto funzioni come previsto prima di passare a set di dati più grandi. Per maggiori dettagli, esplorare la configurazione YAML di COCO8.
Come si addestra un modello YOLO11 utilizzando il dataset COCO8?
È possibile addestrare un modello YOLO11 su COCO8 utilizzando Python o la CLI:
Esempio di treno
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
Per ulteriori opzioni di formazione, consultare la documentazione sulla formazioneYOLO .
Perché dovrei usare Ultralytics HUB per gestire la mia formazione COCO8?
Ultralytics HUB semplifica la gestione dei set di dati, la formazione e l'implementazione per YOLO inclusi i modelli COCO8. Grazie a funzioni come l'addestramento nel cloud, il monitoraggio in tempo reale e la gestione intuitiva dei set di dati, HUB consente di avviare gli esperimenti con un solo clic ed elimina le difficoltà di configurazione manuale. Per saperne di più su Ultralytics HUB e su come può accelerare i vostri progetti di computer vision.
Quali sono i vantaggi dell'utilizzo dell'aumento del mosaico nella formazione con il dataset COCO8?
L'aumento del mosaico, utilizzato nell'addestramento di COCO8, combina più immagini in una sola durante ogni batch. In questo modo si aumenta la diversità degli oggetti e degli sfondi, aiutando così il vostro YOLO a generalizzare meglio il modello YOLO a nuovi scenari. L'aumento del mosaico è particolarmente utile per i piccoli insiemi di dati, in quanto massimizza le informazioni disponibili in ogni fase di addestramento. Per saperne di più, consultare la guida all'addestramento.
Come posso convalidare il mio modello YOLO11 addestrato sul dataset COCO8?
Per convalidare il modello YOLO11 dopo l'addestramento su COCO8, utilizzare i comandi di convalida del modello in Python o CLI. In questo modo si valutano le prestazioni del modello utilizzando metriche standard. Per le istruzioni passo-passo, visitare la documentazione sulla convalida diYOLO .