Bộ dữ liệu COCO8
Giới thiệu
Bộ dữ liệu COCO8 Ultralytics là một bộ dữ liệu phát hiện đối tượng nhỏ gọn nhưng mạnh mẽ, bao gồm 8 hình ảnh đầu tiên từ bộ COCO train 2017—4 để đào tạo và 4 để xác thực. Bộ dữ liệu này được thiết kế riêng để kiểm tra, gỡ lỗi và thử nghiệm nhanh chóng với các mô hình YOLO và các đường ống đào tạo. Kích thước nhỏ của nó giúp dễ quản lý, trong khi tính đa dạng của nó đảm bảo nó đóng vai trò là một kiểm tra tính hợp lý hiệu quả trước khi mở rộng thành các bộ dữ liệu lớn hơn.
Đồng hồ: Ultralytics Tổng quan về Bộ dữ liệu COCO
COCO8 hoàn toàn tương thích với Ultralytics HUB và YOLO11 , cho phép tích hợp liền mạch vào quy trình làm việc thị giác máy tính của bạn.
Bộ dữ liệu YAML
Cấu hình tập dữ liệu COCO8 được định nghĩa trong tệp YAML (Yet Another Markup Language), trong đó chỉ định đường dẫn tập dữ liệu, tên lớp và siêu dữ liệu cần thiết khác. Bạn có thể xem lại chính thức coco8.yaml tập tin trong Ultralytics Kho lưu trữ 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
Cách sử dụng
Để đào tạo mô hình YOLO11n trên tập dữ liệu COCO8 trong 100 kỷ nguyên với kích thước hình ảnh là 640, hãy sử dụng các ví dụ sau. Để biết danh sách đầy đủ các tùy chọn đào tạo, hãy xem tài liệu đào tạo YOLO .
Ví dụ về tàu hỏa
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
Hình ảnh mẫu và chú thích
Dưới đây là ví dụ về lô đào tạo được ghép từ tập dữ liệu COCO8:
- Ảnh ghép : Ảnh này minh họa một lô đào tạo trong đó nhiều hình ảnh tập dữ liệu được kết hợp bằng cách sử dụng tăng cường khảm. Tăng cường khảm làm tăng tính đa dạng của các đối tượng và cảnh trong mỗi lô, giúp mô hình tổng quát hóa tốt hơn với nhiều kích thước đối tượng, tỷ lệ khung hình và nền khác nhau.
Kỹ thuật này đặc biệt hữu ích cho các tập dữ liệu nhỏ như COCO8 vì nó tối đa hóa giá trị của từng hình ảnh trong quá trình đào tạo.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng bộ dữ liệu COCO trong nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:
@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}
}
Xin gửi lời cảm ơn đặc biệt đến COCO Consortium vì những đóng góp liên tục của họ cho cộng đồng thị giác máy tính .
CÂU HỎI THƯỜNG GẶP
Cái gì là Ultralytics Bộ dữ liệu COCO8 được sử dụng cho mục đích gì?
Các Ultralytics Bộ dữ liệu COCO8 được thiết kế để kiểm tra và gỡ lỗi nhanh các mô hình phát hiện đối tượng . Chỉ với 8 hình ảnh (4 để đào tạo, 4 để xác thực), lý tưởng để xác minh các đường ống đào tạo YOLO của bạn và đảm bảo mọi thứ hoạt động như mong đợi trước khi mở rộng sang các bộ dữ liệu lớn hơn. Khám phá cấu hình YAML của COCO8 để biết thêm chi tiết.
Làm thế nào để tôi đào tạo một YOLO11 Mô hình sử dụng bộ dữ liệu COCO8?
Bạn có thể đào tạo một YOLO11 mô hình trên COCO8 sử dụng một trong hai Python hoặc CLI :
Ví dụ về tàu hỏa
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
Để biết thêm các lựa chọn đào tạo, hãy tham khảo tài liệu Đào tạo YOLO .
Tại sao tôi nên sử dụng Ultralytics HUB để quản lý khóa đào tạo COCO8 của tôi?
Ultralytics HUB hợp lý hóa việc quản lý, đào tạo và triển khai tập dữ liệu cho các mô hình YOLO —bao gồm COCO8. Với các tính năng như đào tạo đám mây, giám sát thời gian thực và xử lý tập dữ liệu trực quan, HUB cho phép bạn khởi chạy thử nghiệm chỉ bằng một cú nhấp chuột và loại bỏ những rắc rối khi thiết lập thủ công. Tìm hiểu thêm về Ultralytics HUB và cách nó có thể đẩy nhanh các dự án thị giác máy tính của bạn.
Lợi ích của việc sử dụng Mosaic Augmentation trong đào tạo với bộ dữ liệu COCO8 là gì?
Tăng cường khảm, như được sử dụng trong đào tạo COCO8, kết hợp nhiều hình ảnh thành một trong mỗi đợt. Điều này làm tăng tính đa dạng của các đối tượng và nền, giúp mô hình YOLO của bạn khái quát hóa tốt hơn với các tình huống mới. Tăng cường khảm đặc biệt có giá trị đối với các tập dữ liệu nhỏ, vì nó tối đa hóa thông tin có sẵn trong mỗi bước đào tạo. Để biết thêm thông tin về điều này, hãy xem hướng dẫn đào tạo .
Làm thế nào tôi có thể xác thực của tôi YOLO11 Mô hình được đào tạo trên tập dữ liệu COCO8?
Để xác thực của bạn YOLO11 mô hình sau khi đào tạo trên COCO8, sử dụng các lệnh xác thực của mô hình trong Python hoặc CLI . Điều này đánh giá hiệu suất mô hình của bạn bằng các số liệu chuẩn. Để biết hướng dẫn từng bước, hãy truy cập tài liệu Xác thực YOLO .
