COCO8 数据集

简介

Ultralytics COCO8 是一个小型但多功能的目标检测数据集，由COCO train 2017数据集的前8张图像组成，其中4张用于训练，4张用于验证。该数据集非常适合用于测试和调试目标检测模型，或用于实验新的检测方法。由于只有8张图像，它足够小，易于管理，同时又足够多样化，可以测试训练管道的错误，并在训练更大的数据集之前作为健全性检查。

观看: Ultralytics COCO 数据集概览

该数据集旨在与 Ultralytics HUB 和 YOLO11 一起使用。

数据集 YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包含有关数据集路径、类别和其他相关信息的信息。在 COCO8 数据集的情况下，coco8.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml。

ultralytics/cfg/datasets/coco8.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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

使用方法

要在 COCO8 数据集上训练一个 YOLO11n 模型，训练 100 个 epoch，图像大小为 640，您可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

训练示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 从预训练的 *.pt 模型开始训练
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

样本图像和注释

以下是 COCO8 数据集中的一些图像示例及其相应的注释：

数据集样本图像

马赛克图像: 此图像展示了一个由马赛克数据集图像组成的训练批次。马赛克是一种在训练过程中使用的技术，它将多张图像组合成一张图像，以增加每个训练批次中对象和场景的多样性。这有助于提高模型对不同对象大小、宽高比和上下文的泛化能力。

该示例展示了 COCO8 数据集中图像的多样性和复杂性，以及在训练过程中使用马赛克的好处。

引用和致谢

如果您在研究或开发工作中使用了 COCO 数据集，请引用以下论文：

BibTeX

@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}
}

我们感谢 COCO 联盟为计算机视觉社区创建和维护这一宝贵资源。有关 COCO 数据集及其创建者的更多信息，请访问 COCO 数据集网站。

常见问题

Ultralytics COCO8 数据集的用途是什么？

Ultralytics COCO8 数据集是一个紧凑且多用途的目标检测数据集，由 COCO train 2017 集中的前 8 张图像组成，其中 4 张用于训练，4 张用于验证。它旨在用于测试和调试目标检测模型，以及试验新的检测方法。尽管规模较小，COCO8 提供了足够的多样性，可以在部署更大规模数据集之前作为训练管道的健全性检查。更多详情，请查看 COCO8 数据集。

如何使用 COCO8 数据集训练 YOLO11 模型？

要使用 COCO8 数据集训练 YOLO11 模型，您可以使用 Python 或 CLI 命令。以下是您可以开始的方法：

训练示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# 从预训练的 *.pt 模型开始训练
yolo detect train data=coco8.yaml model=yolo11n.pt epochs=100 imgsz=640

有关可用参数的完整列表，请参阅模型训练页面。

为什么我应该使用 Ultralytics HUB 来管理我的 COCO8 训练？

Ultralytics HUB 是一个一站式网络工具，旨在简化 YOLO 模型的训练和部署，包括在 COCO8 数据集上的 Ultralytics YOLO11 模型。它提供云端训练、实时跟踪和无缝数据集管理。HUB 允许您一键开始训练，并避免了手动设置的复杂性。了解更多关于 Ultralytics HUB 及其优势。