Conjunto de Dados COCO128
Introdução
O Ultralytics COCO128 é um conjunto de dados pequeno, mas versátil, de detecção de objetos, composto pelas primeiras 128 imagens do conjunto de treinamento COCO 2017. Este conjunto de dados é ideal para testar e depurar modelos de detecção de objetos ou para experimentar novas abordagens de detecção. Com 128 imagens, é pequeno o suficiente para ser facilmente gerenciável, mas diversificado o suficiente para testar pipelines de treinamento em busca de erros e atuar como uma verificação de sanidade antes de treinar conjuntos de dados maiores.
Assista: Visão Geral do Conjunto de Dados COCO da Ultralytics
Este conjunto de dados destina-se ao uso com o HUB Ultralytics e YOLO11.
YAML do Conjunto de Dados
Um arquivo YAML (Yet Another Markup Language) é usado para definir a configuração do conjunto de dados. Ele contém informações sobre os caminhos, classes e outras informações relevantes do conjunto de dados. No caso do conjunto de dados COCO128, o coco128.yaml arquivo é mantido em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco128.yaml.
ultralytics/cfg/datasets/coco128.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: 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
Utilização
Para treinar um modelo YOLO11n no conjunto de dados COCO128 por 100 épocas com um tamanho de imagem de 640, você pode usar os seguintes trechos de código. Para uma lista abrangente de argumentos disponíveis, consulte a página de Treinamento do modelo.
Exemplo de Treinamento
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
Amostras de Imagens e Anotações
Aqui estão alguns exemplos de imagens do conjunto de dados COCO128, juntamente com suas anotações correspondentes:
- Imagem em Mosaico: Esta imagem demonstra um lote de treinamento composto por imagens de conjunto de dados em mosaico. O mosaico é uma técnica usada durante o treinamento que combina várias imagens em uma única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treinamento. Isso ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.
O exemplo mostra a variedade e a complexidade das imagens no conjunto de dados COCO128 e os benefícios de usar mosaicos durante o processo de treinamento.
Citações e Agradecimentos
Se você usar o conjunto de dados COCO em seu trabalho de pesquisa ou desenvolvimento, cite o seguinte artigo:
@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}
}
Gostaríamos de agradecer ao COCO Consortium por criar e manter este valioso recurso para a comunidade de visão computacional. Para obter mais informações sobre o conjunto de dados COCO e seus criadores, visite o site do conjunto de dados COCO.
FAQ
Para que serve o dataset Ultralytics COCO128?
O conjunto de dados Ultralytics COCO128 é um subconjunto compacto que contém as primeiras 128 imagens do conjunto de dados COCO train 2017. Ele é usado principalmente para testar e depurar modelos de detecção de objetos, experimentar novas abordagens de detecção e validar pipelines de treinamento antes de escalar para conjuntos de dados maiores. Seu tamanho gerenciável o torna perfeito para iterações rápidas, ao mesmo tempo em que fornece diversidade suficiente para ser um caso de teste significativo.
Como treino um modelo YOLO11 usando o conjunto de dados COCO128?
Para treinar um modelo YOLO11 no conjunto de dados COCO128, você pode usar comandos Python ou CLI. Veja como:
Exemplo de Treinamento
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 obter mais opções e parâmetros de treinamento, consulte a documentação de Treinamento.
Quais são os benefícios de usar o aumento de mosaico com COCO128?
O aumento de mosaico, conforme mostrado nas sample_images, combina várias imagens de treinamento em uma única imagem composta. Esta técnica oferece vários benefícios ao treinar com COCO128:
- Aumenta a variedade de objetos e contextos dentro de cada lote de treinamento
- Melhora a generalização do modelo em diferentes tamanhos de objetos e proporções
- Melhora o desempenho da detecção para objetos em várias escalas
- Maximiza a utilidade de um pequeno conjunto de dados, criando amostras de treinamento mais diversificadas
Esta técnica é particularmente valiosa para conjuntos de dados menores como o COCO128, ajudando os modelos a aprender recursos mais robustos a partir de dados limitados.
Como o COCO128 se compara a outras variantes do conjunto de dados COCO?
O COCO128 (128 imagens) está entre o COCO8 (8 imagens) e o conjunto de dados COCO completo (mais de 118 mil imagens) em termos de tamanho:
- COCO8: Contém apenas 8 imagens (4 de treino, 4 de validação) - ideal para testes rápidos e depuração
- COCO128: Contém 128 imagens - equilibrado entre tamanho e diversidade
- COCO Completo: Contém mais de 118 mil imagens de treinamento - abrangente, mas com uso intensivo de recursos
O COCO128 oferece um bom meio-termo, oferecendo mais diversidade do que o COCO8, ao mesmo tempo em que permanece muito mais gerenciável do que o conjunto de dados COCO completo para experimentação e desenvolvimento inicial do modelo.
Posso usar o COCO128 para tarefas que não sejam de detecção de objetos?
Embora o COCO128 seja projetado principalmente para detecção de objetos, as anotações do conjunto de dados podem ser adaptadas para outras tarefas de visão computacional:
- Segmentação de instâncias: Usando as máscaras de segmentação fornecidas nas anotações
- Detecção de pontos-chave: Para imagens contendo pessoas com anotações de pontos-chave
- Transferência de aprendizagem: Como ponto de partida para modelos de ajuste fino para tarefas personalizadas
Para tarefas especializadas como segmentação, considere usar variantes construídas especificamente como COCO8-seg, que incluem as anotações apropriadas.
