COCO8-Pose 数据集

简介

Ultralytics COCO8-Pose 是一个小巧但功能多样的姿态检测数据集，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，可以测试训练流程中的错误，并在训练更大的数据集之前作为健全性检查。

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

数据集 YAML

YAML（Yet Another Markup Language）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。对于 COCO8-Pose 数据集，coco8-pose.yaml 文件保存在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8-pose.yaml。

# Ultralytics YOLO 🚀, AGPL-3.0 license
# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose  ← 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-pose # 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)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

使用方法

要在 COCO8-Pose 数据集上训练 YOLO11n-pose 模型 100 epochs，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。

from ultralytics import YOLO

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

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

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

示例图像和标注

以下是 COCO8-Pose 数据集中的一些图像示例及其相应的标注：

• 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-Pose 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：

@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

什么是 COCO8-Pose 数据集，如何与 Ultralytics YOLO11 一起使用？

COCO8-Pose 数据集是一个小巧且多功能的姿态检测数据集，包括 COCO train 2017 数据集的前 8 张图像，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，并实验新的检测方法。该数据集非常适合与 Ultralytics YOLO11 进行快速实验。有关数据集配置的更多详细信息，请查看数据集 YAML 文件 此处。

如何使用COCO8-Pose数据集在Ultralytics中训练YOLO11模型？

要在COCO8-Pose数据集上训练YOLO11n-pose模型，训练100个epoch，图像大小为640，请按照以下示例操作：

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-pose.pt")

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

yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

有关训练参数的完整列表，请参阅模型训练页面。

使用COCO8-Pose数据集的好处是什么？

COCO8-Pose数据集具有以下几个优点：

• 紧凑的尺寸：仅有8张图像，易于管理和非常适合快速实验。
• 多样化的数据：尽管规模小，但包含了多种场景，非常适合进行全面的管道测试。
• 错误调试：非常适合在扩展到更大数据集之前识别训练错误并进行健全性检查。

有关其特性和使用方法的更多信息，请参阅数据集介绍部分。

使用COCO8-Pose数据集进行YOLO11训练时，马赛克拼接有何好处？

COCO8-Pose数据集的示例图像中展示的马赛克拼接将多张图像合并为一张，增加了每个训练批次中对象和场景的多样性。这种技术有助于提高模型在各种对象大小、宽高比和上下文中的泛化能力，最终提升模型性能。有关示例图像，请参阅示例图像和注释部分。

在哪里可以找到COCO8-Pose数据集的YAML文件以及如何使用它？

COCO8-Pose数据集的YAML文件可以在这里找到。该文件定义了数据集配置，包括路径、类别和其他相关信息。使用此文件与YOLO11训练脚本一起使用，如训练示例部分所述。

有关更多常见问题和详细文档，请访问Ultralytics文档。

📅 Created 11 months ago ✏️ Updated 13 days ago

Comments