COCO8-Datensatz

Einführung

Die Ultralytics COCO8-Datensatz ist ein kompakter und dennoch leistungsfähiger Objekterkennungsdatensatz, der aus den ersten 8 Bildern des COCO train 2017-Satzes besteht - 4 für das Training und 4 für die Validierung. Dieser Datensatz wurde speziell für das schnelle Testen, Debuggen und Experimentieren mit YOLO Modellen und Trainings-Pipelines. Durch seine geringe Größe ist er sehr überschaubar, während seine Vielfalt sicherstellt, dass er vor der Skalierung auf größere Datensätze als effektiver Sanity Check dient.

Beobachten: Ultralytics COCO-Datensatz Übersicht

COCO8 ist vollständig kompatibel mit Ultralytics HUB und YOLO11und ermöglicht eine nahtlose Integration in Ihre Computer Vision Workflows.

Datensatz YAML

Die COCO8-Datensatzkonfiguration wird in einer YAML-Datei (Yet Another Markup Language) definiert, in der Datensatzpfade, Klassennamen und andere wichtige Metadaten angegeben sind. Sie können sich die offizielle coco8.yaml Datei in der Ultralytics GitHub-Repository.

# 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

Verwendung

Um ein YOLO11n-Modell auf dem COCO8-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen finden Sie in der YOLO .

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

Beispielbilder und -kommentare

Nachfolgend sehen Sie ein Beispiel für einen mosaikartigen Trainingsstapel aus dem COCO8-Datensatz:

• Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, bei dem mehrere Bilder des Datensatzes durch Mosaikvergrößerung kombiniert wurden. Die Mosaikvergrößerung erhöht die Vielfalt der Objekte und Szenen in jedem Stapel und hilft dem Modell, sich besser an verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe anzupassen.

Diese Technik ist besonders nützlich für kleine Datensätze wie COCO8, da sie den Wert jedes Bildes während des Trainings maximiert.

Zitate und Danksagungen

Wenn Sie den COCO-Datensatz in Ihrer Forschung oder Entwicklung verwenden, zitieren Sie bitte das folgende Papier:

@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}
}

Besonderer Dank geht an das COCO-Konsortium für seine kontinuierlichen Beiträge zur Computer Vision Community.

FAQ

Wofür wird der Ultralytics COCO8-Datensatz verwendet?

Der Ultralytics COCO8-Datensatz wurde für das schnelle Testen und Debuggen von Objekterkennungsmodellen entwickelt. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) ist er ideal für die Überprüfung Ihrer YOLO Trainingspipelines zu überprüfen und sicherzustellen, dass alles wie erwartet funktioniert, bevor Sie auf größere Datensätze skalieren. Weitere Details finden Sie in der COCO8 YAML-Konfiguration.

Wie trainiere ich ein YOLO11 unter Verwendung des COCO8-Datensatzes?

Sie können ein YOLO11 auf COCO8 entweder mit Python oder der CLI trainieren:

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

Weitere Schulungsmöglichkeiten finden Sie in der YOLO .

Warum sollte ich Ultralytics HUB für die Verwaltung meiner COCO8-Ausbildung verwenden?

Ultralytics HUB rationalisiert die Datensatzverwaltung, Schulung und Bereitstellung für YOLO Modelle, einschließlich COCO8. Mit Funktionen wie Cloud-Training, Echtzeitüberwachung und intuitiver Datensatzverwaltung ermöglicht HUB den Start von Experimenten mit einem einzigen Klick und macht die manuelle Einrichtung überflüssig. Erfahren Sie mehr über Ultralytics HUB und wie es Ihre Computer Vision Projekte beschleunigen kann.

Was sind die Vorteile der Verwendung von Mosaik-Erweiterungen beim Training mit dem COCO8-Datensatz?

Bei der Mosaikvergrößerung, wie sie beim COCO8-Training verwendet wird, werden bei jedem Stapel mehrere Bilder zu einem zusammengefasst. Dies erhöht die Vielfalt der Objekte und Hintergründe und hilft Ihrem YOLO Modell besser auf neue Szenarien verallgemeinern. Die Mosaik-Erweiterung ist besonders wertvoll für kleine Datensätze, da sie die in jedem Trainingsschritt verfügbaren Informationen maximiert. Weitere Informationen hierzu finden Sie in der Trainingsanleitung.

Wie kann ich mein YOLO11 , das auf dem COCO8-Datensatz trainiert wurde, validieren?

Um Ihr YOLO11 nach dem Training auf COCO8 zu validieren, verwenden Sie die Validierungsbefehle des Modells entweder in Python oder CLI. Dadurch wird die Leistung Ihres Modells anhand von Standardmetriken bewertet. Eine Schritt-für-Schritt-Anleitung finden Sie in der YOLO Validation-Dokumentation.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 1 Monat

Kommentare