Conjunto de dados COCO8
Introdução
Os Ultralytics COCO8 é um conjunto de dados de deteção de objectos compacto mas poderoso, constituído pelas primeiras 8 imagens do conjunto COCO train 2017 - 4 para treino e 4 para validação. Este conjunto de dados foi especificamente concebido para testes rápidos, depuração e experimentação com o YOLO e pipelines de formação. O seu tamanho reduzido torna-o altamente manejável, enquanto a sua diversidade garante que serve como uma verificação de sanidade eficaz antes de aumentar a escala para conjuntos de dados maiores.
Ver: Ultralytics Resumo do conjunto de dados COCO
O COCO8 é totalmente compatível com o Ultralytics HUB e o YOLO11permitindo uma integração perfeita nos seus fluxos de trabalho de visão por computador.
Conjunto de dados YAML
A configuração do conjunto de dados COCO8 é definida num ficheiro YAML (Yet Another Markup Language), que especifica os caminhos do conjunto de dados, os nomes das classes e outros metadados essenciais. Pode rever o ficheiro oficial coco8.yaml no ficheiro Ultralytics Repositório 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
Utilização
Para treinar um modelo YOLO11n no conjunto de dados COCO8 para 100 épocas com um tamanho de imagem de 640, utilize os seguintes exemplos. Para obter uma lista completa de opções de treinamento, consulte a documentação de treinamentoYOLO .
Exemplo de comboio
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
Exemplos de imagens e anotações
Abaixo está um exemplo de um lote de treino em mosaico do conjunto de dados COCO8:
- Imagem em mosaico: Esta imagem ilustra um lote de treino em que várias imagens de conjuntos de dados são combinadas utilizando o aumento de mosaico. O aumento do mosaico aumenta a diversidade de objectos e cenas dentro de cada lote, ajudando o modelo a generalizar melhor para vários tamanhos de objectos, proporções e fundos.
Esta técnica é especialmente útil para pequenos conjuntos de dados como o COCO8, uma vez que maximiza o valor de cada imagem durante o treino.
Citações e agradecimentos
Se utilizar o conjunto de dados COCO na sua investigação ou desenvolvimento, cite o seguinte 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}
}
Um agradecimento especial ao Consórcio COCO pelas suas contribuições contínuas para a comunidade da visão computacional.
FAQ
Para que é utilizado o conjunto de dados Ultralytics COCO8?
O conjunto de dados COCO8 Ultralytics foi concebido para testar e depurar rapidamente os modelos de deteção de objectos. Com apenas 8 imagens (4 para treino, 4 para validação), é ideal para verificar os seus modelos de deteção de objectos YOLO e garantir que tudo funciona como esperado antes de escalar para conjuntos de dados maiores. Explore a configuração YAML do COCO8 para obter mais detalhes.
Como posso treinar um modelo YOLO11 utilizando o conjunto de dados COCO8?
É possível treinar um modelo YOLO11 no COCO8 usando Python ou a CLI:
Exemplo de comboio
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
Para mais opções de formação, consulte a documentação da FormaçãoYOLO .
Por que razão devo utilizar o Ultralytics HUB para gerir a minha formação COCO8?
OUltralytics HUB simplifica o gerenciamento, o treinamento e a implantação de conjuntos de dados para a YOLO incluindo o COCO8. Com recursos como treinamento em nuvem, monitoramento em tempo real e manuseio intuitivo de conjuntos de dados, o HUB permite iniciar experimentos com um único clique e elimina os problemas de configuração manual. Saiba mais sobre o Ultralytics HUB e como ele pode acelerar seus projetos de visão computacional.
Quais são as vantagens de utilizar o aumento do mosaico no treino com o conjunto de dados COCO8?
O aumento do mosaico, tal como utilizado na formação COCO8, combina várias imagens numa só durante cada lote. Isto aumenta a diversidade de objectos e fundos, ajudando o seu YOLO a generalizar melhor para novos cenários. O aumento de mosaico é especialmente valioso para conjuntos de dados pequenos, pois maximiza as informações disponíveis em cada etapa de treinamento. Para mais informações, consulte o guia de formação.
Como posso validar o meu modelo YOLO11 treinado no conjunto de dados COCO8?
Para validar seu modelo YOLO11 após o treinamento no COCO8, use os comandos de validação do modelo em Python ou CLI. Isso avalia o desempenho do seu modelo usando métricas padrão. Para obter instruções passo a passo, visite a documentação de validaçãoYOLO .
