Conjunto de datos COCO128
Introducción
Ultralytics COCO128 es un pequeño pero versátil conjunto de datos de detección de objetos compuesto por las 128 primeras imágenes del conjunto COCO train 2017. Este conjunto de datos es ideal para probar y depurar modelos de detección de objetos, o para experimentar con nuevos enfoques de detección. Con 128 imágenes, es lo suficientemente pequeño como para ser fácilmente manejable, pero lo suficientemente diverso como para probar las tuberías de entrenamiento en busca de errores y actuar como una verificación de cordura antes de entrenar conjuntos de datos más grandes.
Observa: Ultralytics Visión general del conjunto de datos COCO
Este conjunto de datos está pensado para su uso con Ultralytics HUB y YOLO11.
Conjunto de datos YAML
Para definir la configuración del conjunto de datos se utiliza un archivo YAML (Yet Another Markup Language). Contiene información sobre las rutas del conjunto de datos, las clases y otra información relevante. En el caso del conjunto de datos COCO128, el archivo coco128.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.
ultralytics.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO128 dataset https://www.kaggle.com/datasets/ultralytics/coco128 (first 128 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco/
# Example usage: yolo train data=coco128.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco128 ← downloads here (7 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/coco128 # dataset root dir
train: images/train2017 # train images (relative to 'path') 128 images
val: images/train2017 # val images (relative to 'path') 128 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/coco128.zip
Utilización
Para entrenar un modelo YOLO11n en el conjunto de datos COCO128 durante 100 épocas con un tamaño de imagen de 640, puede utilizar los siguientes fragmentos de código. Para obtener una lista completa de los argumentos disponibles, consulte la página de entrenamiento del modelo.
Ejemplo de tren
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Ejemplos de imágenes y anotaciones
He aquí algunos ejemplos de imágenes del conjunto de datos COCO128, junto con sus correspondientes anotaciones:
- Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina varias imágenes en una sola para aumentar la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a diferentes tamaños de objetos, relaciones de aspecto y contextos.
El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos COCO128 y las ventajas de utilizar mosaicos durante el proceso de formación.
Citas y agradecimientos
Si utiliza el conjunto de datos COCO en su trabajo de investigación o desarrollo, cite el siguiente 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}
}
Queremos agradecer al Consorcio COCO la creación y el mantenimiento de este valioso recurso para la comunidad de visión por ordenador. Para más información sobre el conjunto de datos COCO y sus creadores, visite el sitio web del conjunto de datos COCO.
PREGUNTAS FRECUENTES
¿Para qué se utiliza el conjunto de datos Ultralytics COCO128?
El conjunto de datos Ultralytics COCO128 es un subconjunto compacto que contiene las 128 primeras imágenes del conjunto de datos COCO train 2017. Se utiliza principalmente para probar y depurar modelos de detección de objetos, experimentar con nuevos enfoques de detección y validar canalizaciones de entrenamiento antes de escalar a conjuntos de datos más grandes. Su tamaño manejable lo hace perfecto para iteraciones rápidas, al tiempo que proporciona suficiente diversidad para ser un caso de prueba significativo.
¿Cómo entreno un modelo YOLO11 utilizando el conjunto de datos COCO128?
Para entrenar un modelo YOLO11 en el conjunto de datos COCO128, puede utilizar comandos Python o CLI . He aquí cómo:
Ejemplo de tren
from ultralytics import YOLO
# Load a pretrained model
model = YOLO("yolo11n.pt")
# Train the model
results = model.train(data="coco128.yaml", epochs=100, imgsz=640)
yolo detect train data=coco128.yaml model=yolo11n.pt epochs=100 imgsz=640
Para más opciones y parámetros de formación, consulte la documentación de Formación.
¿Qué ventajas tiene el aumento de mosaico con COCO128?
El aumento en mosaico, como se muestra en las imágenes de muestra, combina varias imágenes de entrenamiento en una sola imagen compuesta. Esta técnica ofrece varias ventajas cuando se entrena con COCO128:
- Aumenta la variedad de objetos y contextos en cada lote de entrenamiento
- Mejora la generalización del modelo en función del tamaño y la relación de aspecto del objeto.
- Mejora la detección de objetos a distintas escalas
- Maximiza la utilidad de un conjunto de datos pequeño creando muestras de entrenamiento más diversas.
Esta técnica es especialmente valiosa para conjuntos de datos pequeños como COCO128, ya que ayuda a los modelos a aprender características más sólidas a partir de datos limitados.
¿Cómo se compara COCO128 con otras variantes del conjunto de datos COCO?
COCO128 (128 imágenes) se sitúa entre COCO8 (8 imágenes) y el conjunto de datos COCO completo (118K+ imágenes) en términos de tamaño:
- COCO8: Contiene sólo 8 imágenes (4 de tren, 4 val), ideal para pruebas rápidas y depuración.
- COCO128: Contiene 128 imágenes - equilibrio entre tamaño y diversidad
- COCO completo: contiene más de 118.000 imágenes de formación; es completo pero consume muchos recursos.
COCO128 es un buen punto intermedio, ya que ofrece más diversidad que COCO8 y, al mismo tiempo, es mucho más manejable que el conjunto de datos completo de COCO para la experimentación y el desarrollo inicial de modelos.
¿Puedo utilizar COCO128 para tareas distintas de la detección de objetos?
Aunque COCO128 está diseñado principalmente para la detección de objetos, las anotaciones del conjunto de datos pueden adaptarse a otras tareas de visión por ordenador:
- Segmentación de instancias: Utilizando las máscaras de segmentación proporcionadas en las anotaciones.
- Detección de puntos clave: Para imágenes que contienen personas con anotaciones de puntos clave
- Aprendizaje por transferencia: Como punto de partida para afinar los modelos para tareas personalizadas.
Para tareas especializadas como la segmentación, considere la posibilidad de utilizar variantes creadas específicamente, como COCO8-seg, que incluyen las anotaciones adecuadas.
