Conjunto de Dados COCO8
Introdução
O dataset Ultralytics COCO8 é um dataset compacto, mas poderoso, de detecção de objetos, consistindo nas 8 primeiras imagens do conjunto de treino COCO 2017—4 para treino e 4 para validação. Este dataset foi especificamente projetado para testes rápidos, depuração e experimentação com modelos YOLO e pipelines de treino. Seu tamanho pequeno o torna altamente gerenciável, enquanto sua diversidade garante que ele sirva como uma verificação de sanidade eficaz antes de escalar para datasets maiores.
Assista: Visão Geral do Conjunto de Dados COCO da Ultralytics
O COCO8 é totalmente compatível com o Ultralytics HUB e o YOLO11, permitindo uma integração perfeita em seus fluxos de trabalho de visão computacional.
YAML do Conjunto de Dados
A configuração do conjunto de dados COCO8 é definida em um arquivo YAML (Yet Another Markup Language), que especifica os caminhos do conjunto de dados, nomes de classes e outros metadados essenciais. Você pode revisar o oficial coco8.yaml arquivo no repositório Ultralytics 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: 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 por 100 épocas com um tamanho de imagem de 640, use os exemplos a seguir. Para obter uma lista completa das opções de treino, consulte a documentação de Treino YOLO.
Exemplo de Treinamento
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
Amostras 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 treinamento onde várias imagens do conjunto de dados são combinadas usando o aumento de mosaico. O aumento de mosaico aumenta a diversidade de objetos e cenas em cada lote, ajudando o modelo a generalizar melhor para vários tamanhos de objetos, proporções e planos de fundo.
Esta técnica é especialmente útil para pequenos conjuntos de dados como o COCO8, pois maximiza o valor de cada imagem durante o treinamento.
Citações e Agradecimentos
Se você usar o conjunto de dados COCO em sua 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}
}
Um agradecimento especial ao Consórcio COCO pelas suas contribuições contínuas para a comunidade de visão computacional.
FAQ
Para que é usado o conjunto de dados COCO8 da Ultralytics?
O conjunto de dados COCO8 da Ultralytics foi projetado para testes rápidos e depuração de modelos de detecção de objetos. Com apenas 8 imagens (4 para treinamento, 4 para validação), é ideal para verificar seus pipelines de treinamento YOLO e garantir que tudo funcione como esperado antes de escalar para conjuntos de dados maiores. Explore a configuração COCO8 YAML para obter mais detalhes.
Como treino um modelo YOLO11 usando o conjunto de dados COCO8?
Você pode treinar um modelo YOLO11 no COCO8 usando Python ou a CLI:
Exemplo de Treinamento
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 opções de treinamento adicionais, consulte a documentação de Treinamento YOLO.
Por que devo usar o Ultralytics HUB para gerenciar meu treinamento COCO8?
Ultralytics HUB simplifica o gerenciamento de conjuntos de dados, o treinamento e a implementação de modelos YOLO — incluindo COCO8. Com recursos como treinamento em nuvem, monitoramento em tempo real e manuseio intuitivo de conjuntos de dados, o HUB permite que você inicie experimentos com um único clique e elimina as dificuldades de configuração manual. Saiba mais sobre o Ultralytics HUB e como ele pode acelerar seus projetos de visão computacional.
Quais são os benefícios de usar o aumento de mosaico no treinamento com o conjunto de dados COCO8?
O aumento de mosaico, conforme usado no treinamento COCO8, combina várias imagens em uma durante cada lote. Isso aumenta a diversidade de objetos e fundos, ajudando seu modelo 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 sobre isso, consulte o guia de treinamento.
Como posso validar meu modelo YOLO11 treinado no conjunto de dados COCO8?
Para validar o seu modelo YOLO11 após o treino no COCO8, use os comandos de validação do modelo em python ou na CLI. Isto avalia o desempenho do seu modelo usando métricas padrão. Para obter instruções passo a passo, visite a documentação de Validação YOLO.
