Ensemble de données COCO8
Introduction
Les Ultralytics COCO8 est un ensemble de données compact mais puissant pour la détection d'objets, composé des 8 premières images de l'ensemble COCO train 2017 - 4 pour l'entraînement et 4 pour la validation. Ce jeu de données est spécialement conçu pour tester, déboguer et expérimenter rapidement les systèmes de détection d'objets de YOLO et des pipelines de formation. Sa petite taille le rend très facile à gérer, tandis que sa diversité garantit qu'il sert de contrôle d'assainissement efficace avant de passer à des ensembles de données plus importants.
Regarder : Ultralytics Aperçu de l'ensemble de données COCO
COCO8 est entièrement compatible avec Ultralytics HUB et YOLO11ce qui permet une intégration transparente dans vos flux de travail de vision par ordinateur.
Jeu de données YAML
La configuration des ensembles de données COCO8 est définie dans un fichier YAML (Yet Another Markup Language), qui spécifie les chemins d'accès aux ensembles de données, les noms de classe et d'autres métadonnées essentielles. Vous pouvez consulter le fichier coco8.yaml dans le fichier Ultralytics Dépôt 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
Utilisation
Pour entraîner un modèle YOLO11n sur l'ensemble de données COCO8 pour 100 époques avec une taille d'image de 640, utilisez les exemples suivants. Pour une liste complète des options d'entraînement, voir la documentation sur l'entraînementYOLO .
Exemple de train
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
Exemples d'images et d'annotations
Vous trouverez ci-dessous un exemple de lot de formation en mosaïque provenant de l'ensemble de données COCO8 :
- Image mosaïque: Cette image illustre un lot d'entraînement dans lequel plusieurs images de l'ensemble de données sont combinées à l'aide d'une mosaïque. L'augmentation de la mosaïque accroît la diversité des objets et des scènes dans chaque lot, ce qui permet au modèle de mieux s'adapter à différentes tailles d'objets, à différents rapports d'aspect et à différents arrière-plans.
Cette technique est particulièrement utile pour les petits ensembles de données tels que COCO8, car elle maximise la valeur de chaque image pendant la formation.
Citations et remerciements
Si vous utilisez l'ensemble de données COCO dans vos travaux de recherche ou de développement, veuillez citer l'article suivant :
@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}
}
Nous remercions tout particulièrement le consortium COCO pour ses contributions constantes à la communauté de la vision par ordinateur.
FAQ
À quoi sert l'ensemble de données Ultralytics COCO8 ?
L'ensemble de données Ultralytics COCO8 est conçu pour tester et déboguer rapidement les modèles de détection d'objets. Avec seulement 8 images (4 pour l'entraînement, 4 pour la validation), il est idéal pour vérifier vos modèles de détection d'objets. YOLO et pour s'assurer que tout fonctionne comme prévu avant de passer à des ensembles de données plus importants. Explorez la configuration YAML de COCO8 pour plus de détails.
Comment entraîner un modèle YOLO11 en utilisant le jeu de données COCO8 ?
Vous pouvez entraîner un modèle YOLO11 sur COCO8 en utilisant Python ou l'CLI:
Exemple de train
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
Pour d'autres options de formation, consultez la documentation sur la formationYOLO .
Pourquoi utiliser Ultralytics HUB pour gérer ma formation COCO8 ?
Ultralytics HUB rationalise la gestion des ensembles de données, la formation et le déploiement pour les clients de YOLO y compris COCO8. Grâce à des fonctionnalités telles que l'entraînement dans le nuage, la surveillance en temps réel et la gestion intuitive des ensembles de données, HUB vous permet de lancer des expériences en un seul clic et élimine les problèmes de configuration manuelle. En savoir plus sur Ultralytics HUB et comment il peut accélérer vos projets de vision par ordinateur.
Quels sont les avantages de l'utilisation de l'augmentation mosaïque dans la formation avec le jeu de données COCO8 ?
L'augmentation mosaïque, telle qu'elle est utilisée dans la formation COCO8, combine plusieurs images en une seule lors de chaque lot. Cela permet d'augmenter la diversité des objets et des arrière-plans, ce qui aide votre YOLO à mieux s'adapter à de nouveaux scénarios. L'augmentation de mosaïque est particulièrement utile pour les petits ensembles de données, car elle maximise les informations disponibles à chaque étape de la formation. Pour en savoir plus, consultez le guide de formation.
Comment puis-je valider mon modèle YOLO11 entraîné sur le jeu de données COCO8 ?
Pour valider votre modèle YOLO11 après l'entraînement sur COCO8, utilisez les commandes de validation du modèle en Python ou en CLI. Cela permet d'évaluer les performances de votre modèle à l'aide de métriques standard. Pour obtenir des instructions étape par étape, consultez la documentation sur la validation deYOLO .
