开源项目实战学习之YOLO11：ultralytics-cfg-datasets-coco8.yaml文件（三）

言析数智

已于 2025-04-25 21:27:05 修改

阅读量1.1k

点赞数 14

分类专栏： AI开源大模型文章标签： YOLO11 ultralytics COCO pose seg

于 2025-04-24 10:27:06 首次发布

本文链接：https://blog.csdn.net/qq_24452475/article/details/147470654

版权

AI开源大模型专栏收录该内容

39 篇文章

订阅专栏

👉 点击关注不迷路
👉 点击关注不迷路
👉 点击关注不迷路

coco8.yaml
- 通常用于配置与 COCO 数据集相关的参数，可能是针对一个简化或特定版本的 COCO 数据集，包含 8 个类别。它会指定数据集的路径、划分方式，以及模型训练和评估所需的各种超参数等，用于训练和评估目标检测模型，识别这 8 个类别的物体。
coco8-multispectral.yaml
- 类似于coco8.yaml，但专门用于多光谱数据的配置。可能涉及到对多光谱图像的处理参数，如不同光谱通道的组合方式、归一化方法等，以适应多光谱图像的目标检测任务，同样是针对 8 个类别。
coco8-pose.yaml
- 主要用于姿态估计任务，基于 COCO 数据集的 8 个类别。除了常规的数据集配置信息外，还会包含与人体姿态或物体姿态相关的标注信息和处理参数，例如关键点的定义、姿态评估指标等，用于训练能够预测物体姿态的模型。
coco8-seg.yaml
- 用于图像分割任务，针对 COCO 数据集的 8 个类别。配置文件中会包含图像分割所需的参数，如分割掩码的格式、标注信息的处理方式，以及模型训练的相关超参数，用于训练图像分割模型，将图像中的物体按照 8 个类别进行分割。
coco128.yaml
- 用于配置包含 128 个类别的 COCO 数据集相关参数。与其他文件类似，它会指定数据集的路径、划分方式、超参数等，用于训练和评估能够处理 128 个类别物体的目标检测、图像分割或其他相关任务的模型，相比coco8.yaml等，类别更为丰富，任务可能更复杂。

文章大纲

coco8.yaml

# 数据集在文件系统中的根路径，后续train、val、test等路径均基于此路径
path: ../datasets/coco8

# 训练集图像所在的相对路径，相对于path指定的根路径，这些图像用于训练模型
train: images/train

# 验证集图像所在的相对路径，相对于path指定的根路径，用于在训练过程中验证模型的性能
val: images/val

# 测试集图像所在的相对路径，此处留空，可能表示尚未明确指定测试集路径，或测试集与验证集共用，
# 也可能需要在后续根据具体情况手动设置
test: 

# 类别编号与实际类别名称的对应关系，在模型训练和预测时，模型会根据这些编号识别不同的物体类别
names:
  0: person           # 编号0对应的类别是行人
  1: bicycle          # 编号1对应的类别是自行车
  2: car              # 编号2对应的类别是汽车
  3: motorcycle       # 编号3对应的类别是摩托车
  4: airplane         # 编号4对应的类别是飞机
  5: bus              # 编号5对应的类别是公交车
  
  6: train            # 编号6对应的类别是火车
  7: truck            # 编号7对应的类别是卡车
  8: boat             # 编号8对应的类别是船
  9: traffic light    # 编号9对应的类别是交通信号灯
  
  10: fire hydrant    # 编号10对应的类别是消防栓
  
  11: stop sign       # 编号11对应的类别是停车标志
  
  12: parking meter   # 编号12对应的类别是停车计时器
  13: bench           # 编号13对应的类别是长椅
  14: bird            # 编号14对应的类别是鸟
  15: cat             # 编号15对应的类别是猫
  16: dog             # 编号16对应的类别是狗
  17: horse           # 编号17对应的类别是马
  
  18: sheep           # 编号18对应的类别是绵羊
  19: cow             # 编号19对应的类别是牛
  20: elephant        # 编号20对应的类别是大象
  21: bear            # 编号21对应的类别是熊
  22: zebra           # 编号22对应的类别是斑马
  23: giraffe         # 编号23对应的类别是长颈鹿
  
  24: backpack        # 编号24对应的类别是背包
  
  25: umbrella        # 编号25对应的类别是雨伞
  26: handbag         # 编号26对应的类别是手提包
  27: tie             # 编号27对应的类别是领带
  28: suitcase        # 编号28对应的类别是行李箱
  29: frisbee         # 编号29对应的类别是飞盘
  
  30: skis            # 编号30对应的类别是滑雪板
  31: snowboard       # 编号31对应的类别是单板滑雪板
  32: sports ball     # 编号32对应的类别是运动球类
  33: kite            # 编号33对应的类别是风筝
  34: baseball bat    # 编号34对应的类别是棒球棒
  35: baseball glove  # 编号35对应的类别是棒球手套
  36: skateboard      # 编号36对应的类别是滑板
  37: surfboard       # 编号37对应的类别是冲浪板
  38: tennis racket   # 编号38对应的类别是网球拍
  39: bottle          # 编号39对应的类别是瓶子
  40: wine glass      # 编号40对应的类别是酒杯
  41: cup             # 编号41对应的类别是杯子
  42: fork            # 编号42对应的类别是叉子
  
  43: knife           # 编号43对应的类别是刀
  44: spoon           # 编号44对应的类别是勺子
  45: bowl            # 编号45对应的类别是碗
  46: banana          # 编号46对应的类别是香蕉
  47: apple           # 编号47对应的类别是苹果
  48: sandwich        # 编号48对应的类别是三明治
  
  49: orange          # 编号49对应的类别是橙子
  50: broccoli        # 编号50对应的类别是西兰花
  51: carrot          # 编号51对应的类别是胡萝卜
  52: hot dog         # 编号52对应的类别是热狗
  
  53: pizza           # 编号53对应的类别是披萨
  54: donut           # 编号54对应的类别是甜甜圈
  
  55: cake            # 编号55对应的类别是蛋糕
  56: chair           # 编号56对应的类别是椅子
  57: couch           # 编号57对应的类别是沙发
  58: potted plant    # 编号58对应的类别是盆栽植物
  
  59: bed             # 编号59对应的类别是床
  60: dining table    # 编号60对应的类别是餐桌
  61: toilet          # 编号61对应的类别是马桶
  62: tv              # 编号62对应的类别是电视
  63: laptop          # 编号63对应的类别是笔记本电脑
  64: mouse           # 编号64对应的类别是鼠标
  65: remote          # 编号65对应的类别是遥控器
  66: keyboard        # 编号66对应的类别是键盘
  67: cell phone      # 编号67对应的类别是手机
  68: microwave       # 编号68对应的类别是微波炉
  69: oven            # 编号69对应的类别是烤箱
  70: toaster         # 编号70对应的类别是烤面包机
  71: sink            # 编号71对应的类别是水槽
  72: refrigerator    # 编号72对应的类别是冰箱
  73: book            # 编号73对应的类别是书
  
  74: clock           # 编号74对应的类别是时钟
  75: vase            # 编号75对应的类别是花瓶
  76: scissors        # 编号76对应的类别是剪刀
  77: teddy bear      # 编号77对应的类别是泰迪熊
  
  78: hair drier      # 编号78对应的类别是吹风机
  79: toothbrush      # 编号79对应的类别是牙刷

# 数据集的下载链接，通过该链接可获取整个数据集压缩包
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8.zip

coco8-multispectral.yaml

# 数据集在文件系统中的根路径，其他路径配置以此为基础。
# 后续的训练集、验证集路径等都是相对于此路径进行设置。
path:../datasets/coco8-multispectral

# 训练集图像所在的相对路径，相对于path指定的根路径。
# 这里存放用于模型训练的多光谱图像数据。
train: images/train

# 验证集图像所在的相对路径，同样相对于path根路径。
# 在模型训练过程中，使用这些图像来验证模型的性能表现。
val: images/val

# 测试集图像所在的相对路径，当前为空。
# 可能后续会补充测试集路径，用于最终评估训练好的模型性能。
test:


# 定义多光谱图像的通道数为10。
# 表明数据集中的图像具有10个不同的光谱通道，
# 每个通道可能对应不同波长范围的光信息。
channels: 10

# 类别编号与实际类别名称的对应关系。
# 在模型训练和预测时，模型会根据这些编号来识别不同的物体类别。
names:
  0: person           # 编号0对应的类别是行人
  1: bicycle          # 编号1对应的类别是自行车
  2: car              # 编号2对应的类别是汽车
  3: motorcycle       # 编号3对应的类别是摩托车
  
  4: airplane         # 编号4对应的类别是飞机
  5: bus              # 编号5对应的类别是公交车
  6: train            # 编号6对应的类别是火车
  7: truck            # 编号7对应的类别是卡车
  8: boat             # 编号8对应的类别是船
  9: traffic light    # 编号9对应的类别是交通信号灯
  10: fire hydrant    # 编号10对应的类别是消防栓
  11: stop sign       # 编号11对应的类别是停车标志
  
  12: parking meter   # 编号12对应的类别是停车计时器
  
  13: bench           # 编号13对应的类别是长椅
  14: bird            # 编号14对应的类别是鸟
  15: cat             # 编号15对应的类别是猫
  16: dog             # 编号16对应的类别是狗
  17: horse           # 编号17对应的类别是马
  18: sheep           # 编号18对应的类别是绵羊
  19: cow             # 编号19对应的类别是牛
  20: elephant        # 编号20对应的类别是大象
  21: bear            # 编号21对应的类别是熊
  22: zebra           # 编号22对应的类别是斑马
  23: giraffe         # 编号23对应的类别是长颈鹿
  24: backpack        # 编号24对应的类别是背包
  25: umbrella        # 编号25对应的类别是雨伞
  26: handbag         # 编号26对应的类别是手提包
  
  27: tie             # 编号27对应的类别是领带
  
  28: suitcase        # 编号28对应的类别是行李箱
  
  29: frisbee         # 编号29对应的类别是飞盘
  30: skis            # 编号30对应的类别是滑雪板
  
  31: snowboard       # 编号31对应的类别是单板滑雪板
  32: sports ball     # 编号32对应的类别是运动球类
  33: kite            # 编号33对应的类别是风筝
  34: baseball bat    # 编号34对应的类别是棒球棒
  35: baseball glove  # 编号35对应的类别是棒球手套
  36: skateboard      # 编号36对应的类别是滑板
  37: surfboard       # 编号37对应的类别是冲浪板
  38: tennis racket   # 编号38对应的类别是网球拍
  
  39: bottle          # 编号39对应的类别是瓶子
  40: wine glass      # 编号40对应的类别是酒杯
  
  41: cup             # 编号41对应的类别是杯子
  42: fork            # 编号42对应的类别是叉子
  43: knife           # 编号43对应的类别是刀
  44: spoon           # 编号44对应的类别是勺子
  
  45: bowl            # 编号45对应的类别是碗
  
  46: banana          # 编号46对应的类别是香蕉
  47: apple           # 编号47对应的类别是苹果
  48: sandwich        # 编号48对应的类别是三明治
  49: orange          # 编号49对应的类别是橙子
  50: broccoli        # 编号50对应的类别是西兰花
  51: carrot          # 编号51对应的类别是胡萝卜
  52: hot dog         # 编号52对应的类别是热狗
  53: pizza           # 编号53对应的类别是披萨
  54: donut           # 编号54对应的类别是甜甜圈
  55: cake            # 编号55对应的类别是蛋糕
  56: chair           # 编号56对应的类别是椅子
  57: couch           # 编号57对应的类别是沙发
  
  58: potted plant    # 编号58对应的类别是盆栽植物
  
  59: bed             # 编号59对应的类别是床
  60: dining table    # 编号60对应的类别是餐桌
  61: toilet          # 编号61对应的类别是马桶
  62: tv              # 编号62对应的类别是电视
  63: laptop          # 编号63对应的类别是笔记本电脑
  64: mouse           # 编号64对应的类别是鼠标
  65: remote          # 编号65对应的类别是遥控器
  66: keyboard        # 编号66对应的类别是键盘
  67: cell phone      # 编号67对应的类别是手机
  68: microwave       # 编号68对应的类别是微波炉
  69: oven            # 编号69对应的类别是烤箱
  70: toaster         # 编号70对应的类别是烤面包机
  
  71: sink            # 编号71对应的类别是水槽
  72: refrigerator    # 编号72对应的类别是冰箱
  
  73: book            # 编号73对应的类别是书
  74: clock           # 编号74对应的类别是时钟
  75: vase            # 编号75对应的类别是花瓶
  76: scissors        # 编号76对应的类别是剪刀
  
  77: teddy bear      # 编号77对应的类别是泰迪熊
  78: hair drier      # 编号78对应的类别是吹风机
  
  79: toothbrush      # 编号79对应的类别是牙刷
# 数据集的下载链接，通过该链接可获取整个多光谱数据集压缩包。
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-multispectral.zip

coco8-pose.yaml

关键点的形状配置

# 数据集在文件系统中的根路径，后续train、val、test等路径均基于此路径
path: ../datasets/coco8-pose

# 训练集图像所在的相对路径，相对于path指定的根路径，这些图像用于训练模型
train: images/train

# 验证集图像所在的相对路径，相对于path指定的根路径，用于在训练过程中验证模型的性能
val: images/val

# 测试集图像所在的相对路径，此处留空，可能表示尚未明确指定测试集路径，
# 或测试集与验证集共用，也可能需要在后续根据具体情况手动设置
test:

# 关键点的形状配置，[17, 3] 表示数据集中人体关键点有17个，
# 每个关键点用包含3个元素的数组来描述（通常可能是x坐标、y坐标和置信度）
kpt_shape: [17, 3] 

# 关键点翻转索引配置，用于在进行图像翻转操作时，
# 确定对应关键点的映射关系。例如，索引0的关键点在翻转后对应索引0的关键点，
# 索引2的关键点在翻转后对应索引1的关键点，以此类推。这对于数据增强等操作很有用。
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# 类别编号与实际类别名称的对应关系，在模型训练和预测时，
# 模型会根据这些编号识别不同的物体类别。这里只有一个类别“person”，
# 表明该数据集主要用于人体姿态相关的任务。
names:
  0: person

# 数据集的下载链接，通过该链接可获取整个数据集压缩包
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

coco8-seg.yaml

图像分割任务

# 数据集在文件系统中的根路径，后续的训练集、验证集和测试集路径都基于此路径
path: ../datasets/coco8-seg

# 训练集图像的存放路径，相对于根路径，这些图像用于训练图像分割模型
train: images/train

# 验证集图像的存放路径，相对于根路径，用于在训练过程中验证模型的性能，
# 查看模型在这些数据上的分割效果，以便调整模型参数
val: images/val

# 测试集图像的存放路径，此处未设置，可能后续根据实际情况补充，
# 用于最终评估训练好的模型在未知数据上的分割表现
test: 

# 类别编号与类别名称的对应关系，用于在图像分割任务中识别不同的物体类别
names:
  0: person           # 编号0对应的物体类别是行人
  1: bicycle          # 编号1对应的物体类别是自行车
  2: car              # 编号2对应的物体类别是汽车
  3: motorcycle       # 编号3对应的物体类别是摩托车
  4: airplane         # 编号4对应的物体类别是飞机
  5: bus              # 编号5对应的物体类别是公交车
  6: train            # 编号6对应的物体类别是火车
  7: truck            # 编号7对应的物体类别是卡车
  8: boat             # 编号8对应的物体类别是船
  9: traffic light    # 编号9对应的物体类别是交通信号灯
  10: fire hydrant    # 编号10对应的物体类别是消防栓
  11: stop sign       # 编号11对应的物体类别是停车标志
  12: parking meter   # 编号12对应的物体类别是停车计时器
  
  13: bench           # 编号13对应的物体类别是长椅
  14: bird            # 编号14对应的物体类别是鸟
  15: cat             # 编号15对应的物体类别是猫
  16: dog             # 编号16对应的物体类别是狗
  17: horse           # 编号17对应的物体类别是马
  18: sheep           # 编号18对应的物体类别是绵羊
  19: cow             # 编号19对应的物体类别是牛
  20: elephant        # 编号20对应的物体类别是大象
  21: bear            # 编号21对应的物体类别是熊
  22: zebra           # 编号22对应的物体类别是斑马
  23: giraffe         # 编号23对应的物体类别是长颈鹿
  24: backpack        # 编号24对应的物体类别是背包
  25: umbrella        # 编号25对应的物体类别是雨伞
  26: handbag         # 编号26对应的物体类别是手提包
  27: tie             # 编号27对应的物体类别是领带
  28: suitcase        # 编号28对应的物体类别是行李箱
  29: frisbee         # 编号29对应的物体类别是飞盘
  30: skis            # 编号30对应的物体类别是滑雪板
  31: snowboard       # 编号31对应的物体类别是单板滑雪板
  32: sports ball     # 编号32对应的物体类别是运动球类
  33: kite            # 编号33对应的物体类别是风筝
  34: baseball bat    # 编号34对应的物体类别是棒球棒
  35: baseball glove  # 编号35对应的物体类别是棒球手套
  36: skateboard      # 编号36对应的物体类别是滑板
  37: surfboard       # 编号37对应的物体类别是冲浪板
  38: tennis racket   # 编号38对应的物体类别是网球拍
  39: bottle          # 编号39对应的物体类别是瓶子
  40: wine glass      # 编号40对应的物体类别是酒杯
  41: cup             # 编号41对应的物体类别是杯子
  42: fork            # 编号42对应的物体类别是叉子
  43: knife           # 编号43对应的物体类别是刀
  44: spoon           # 编号44对应的物体类别是勺子
  45: bowl            # 编号45对应的物体类别是碗
  46: banana          # 编号46对应的物体类别是香蕉
  47: apple           # 编号47对应的物体类别是苹果
  48: sandwich        # 编号48对应的物体类别是三明治
  49: orange          # 编号49对应的物体类别是橙子
  50: broccoli        # 编号50对应的物体类别是西兰花
  51: carrot          # 编号51对应的物体类别是胡萝卜
  52: hot dog         # 编号52对应的物体类别是热狗
  53: pizza           # 编号53对应的物体类别是披萨
  54: donut           # 编号54对应的物体类别是甜甜圈
  55: cake            # 编号55对应的物体类别是蛋糕
  56: chair           # 编号56对应的物体类别是椅子
  57: couch           # 编号57对应的物体类别是沙发
  58: potted plant    # 编号58对应的物体类别是盆栽植物
  59: bed             # 编号59对应的物体类别是床
  60: dining table    # 编号60对应的物体类别是餐桌
  61: toilet          # 编号61对应的物体类别是马桶
  62: tv              # 编号62对应的物体类别是电视
  63: laptop          # 编号63对应的物体类别是笔记本电脑
  64: mouse           # 编号64对应的物体类别是鼠标
  65: remote          # 编号65对应的物体类别是遥控器
  66: keyboard        # 编号66对应的物体类别是键盘
  67: cell phone      # 编号67对应的物体类别是手机
  68: microwave       # 编号68对应的物体类别是微波炉
  69: oven            # 编号69对应的物体类别是烤箱
  70: toaster         # 编号70对应的物体类别是烤面包机
  71: sink            # 编号71对应的物体类别是水槽
  72: refrigerator    # 编号72对应的物体类别是冰箱
  73: book            # 编号73对应的物体类别是书
  74: clock           # 编号74对应的物体类别是时钟
  75: vase            # 编号75对应的物体类别是花瓶
  76: scissors        # 编号76对应的物体类别是剪刀
  
  77: teddy bear      # 编号77对应的物体类别是泰迪熊
  78: hair drier      # 编号78对应的物体类别是吹风机
  79: toothbrush      # 编号79对应的物体类别是牙刷

# 数据集的下载链接，通过该链接可获取整个用于图像分割任务的数据集压缩包
# 若遇到“当前不支持该文件类型，请尝试其他文件”的报错，
# 可能是下载工具或系统不支持该文件的下载或解压，需检查相关设置或更换工具
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-seg.zip

coco128.yaml、coco128-seg.yaml 文件内容类似，不再赘述

coco-pose.yaml

# 数据集在文件系统中的根路径，后续train、val、test等文件路径均基于此路径
path: ../datasets/coco-pose

# 训练集对应的文件，这里是一个文本文件（train2017.txt），
# 该文件可能包含了训练集图像的相关信息（如文件名、标注信息的索引等）
train: train2017.txt

# 验证集对应的文件，val2017.txt文件用于存储验证集图像的相关信息，
# 用于在模型训练过程中验证模型的性能
val: val2017.txt

# 测试集对应的文件，test-dev2017.txt文件存储测试集图像的相关信息，
# 用于最终评估训练好的模型的性能
test: test-dev2017.txt

# 关键点的形状配置，[17, 3] 表示数据集中人体关键点有17个，
# 每个关键点用包含3个元素的数组来描述（通常是x坐标、y坐标和关键点的可见性标识）
kpt_shape: [17, 3] 

# 关键点翻转索引配置，用于在进行图像翻转操作时，
# 确定对应关键点的映射关系。例如，索引0的关键点在翻转后对应索引0的关键点，
# 索引2的关键点在翻转后对应索引1的关键点，以此类推。这对于数据增强等操作很有用。
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# 类别编号与实际类别名称的对应关系，在模型训练和预测时，
# 模型会根据这些编号识别不同的物体类别。这里只有一个类别“person”，
# 表明该数据集主要用于人体姿态相关的任务。
names:
  0: person

# 数据集的下载相关代码
download: |
  # 从pathlib模块导入Path类，用于处理文件路径
  from pathlib import Path
  
  # 从ultralytics.utils.downloads模块导入download函数，用于下载文件
  from ultralytics.utils.downloads import download

  # 获取数据集的根目录
  dir = Path(yaml["path"])  
  # 定义基础下载链接
  url = "https://github.com/ultralytics/assets/releases/download/v0.0.0/"
  # 定义标注数据的下载链接列表，这里是包含姿态标注的COCO 2017标注数据压缩包
  urls = [f"{url}coco2017labels-pose.zip"]
  # 调用download函数下载标注数据压缩包到数据集根目录的父目录
  download(urls, dir=dir.parent)

  # 定义图像数据的下载链接列表
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 训练集图像压缩包，约19G，包含118k张图像
      "http://images.cocodataset.org/zips/val2017.zip",  # 验证集图像压缩包，约1G，包含5k张图像
      "http://images.cocodataset.org/zips/test2017.zip",  # 测试集图像压缩包，约7G，包含41k张图像（可选）
  ]
  
  # 调用download函数下载图像数据压缩包到数据集根目录下的images子目录，使用3个线程进行下载
  download(urls, dir=dir / "images", threads=3)