Ultralytics COCO 数据集介绍

UltralyticsCOCO 数据集是一个精选的图像集合，专为测试和调试物体检测模型而设计。该数据集包含来自COCO train 2017集合的前8张图像，其中4张用于训练，另外4张用于验证。尽管规模不大，但这些图像足够多样化，可以有效地检测训练流程中的错误，并在训练更大的数据集之前作为一个合理的检查点。

该数据集与UltralyticsHUB和YOLO11模型兼容，可以通过YAML文件进行配置。YAML文件是一种标记语言，用于定义数据集的路径、类别和其他相关信息。对于COCO8数据集，YAML文件名为coco8.yaml，可通过以下链接访问：https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco8.yaml。

在YAML文件中，定义了数据集的路径、训练和验证图像的相对路径，以及类别名称。例如，类别包括人、自行车、汽车、摩托车、飞机、公共汽车、火车、卡车、船、交通灯、消防栓、停车计时器、长凳、鸟、猫、狗、马、羊、牛、大象、熊、斑马、长颈鹿、背包、伞、手提包、领带、手提箱、飞盘、滑雪板、雪板、运动球、风筝、棒球棒、棒球手套、滑板、冲浪板、网球拍、瓶子、酒杯、杯子、叉子、刀、勺子、碗、香蕉、苹果、三明治、橙子、西兰花、胡萝卜、热狗、比萨饼、甜甜圈、蛋糕、椅子、沙发、盆栽植物、床、餐桌、厕所、电视、笔记本电脑、鼠标、遥控器、键盘、手机、微波炉、烤箱、烤面包机、水槽、冰箱、书、钟、花瓶、剪刀、泰迪熊、吹风机、牙刷等。

要使用COCO8数据集训练YOLO11模型，可以通过Python或命令行界面（CLI）进行。以下是使用Python进行训练的示例代码。首先，需要导入YOLO类，然后加载一个预训练的模型（推荐用于训练），接着使用train方法开始训练，指定数据集配置文件、训练周期和图像大小。

对于命令行界面，可以使用以下命令开始训练：

有关可用参数的完整列表，请参阅模型训练页面。

在COCO8数据集中展示的马赛克增强技术在训练过程中将多张图像合并为一张图像。这种技术增加了每个训练批次中物体和场景的多样性，提高了模型在不同物体尺寸、长宽比和环境中的泛化能力。这样，物体检测模型就会更加强大。更多详情，请参阅训练指南。