coco128 — компактный набор данных, связанный с задачами компьютерного зрения и обучением нейросетей для обнаружения объектов. Он основан на фрагменте крупного датасета COCO, но содержит всего 128 изображений, что делает его удобным для быстрых экспериментов, проверки пайплайнов и демонстрации работы моделей. В экосистеме ИИ coco128 чаще всего встречается рядом с YOLO и другими архитектурами object detection. Главная особенность coco128 — небольшой размер при сохранении структуры, близкой к полноценному COCO. В изображениях присутствуют разные классы объектов, аннотации, bounding boxes и типичные сцены из повседневной визуальной среды. Благодаря этому датасет подходит не для серьезной оценки качества модели, а для первичной проверки: корректно ли читаются данные, запускается ли обучение, работают ли метрики и визуализация предсказаний. В проектах по компьютерному зрению coco128 часто используют как тестовую площадку перед переходом к большим наборам данных. Полноценный COCO требует заметных вычислительных ресурсов и времени, тогда как coco128 позволяет быстро увидеть, нет ли ошибок в конфигурации, формате аннотаций или совместимости библиотек. Это особенно важно при работе с фреймворками, где одна неверная настройка может привести к некорректному обучению или пустым результатам. Для нейросетей coco128 не является датасетом, на котором стоит строить финальные выводы о точности. Из-за малого количества изображений модель может быстро переобучиться, а метрики будут нестабильными и зависимыми от конкретного разбиения. Поэтому его ценность не в репрезентативности, а в скорости обратной связи. Он помогает проверить техническую часть эксперимента до того, как будут задействованы дорогие вычисления. Популярность coco128 также связана с документацией и примерами в open source-инструментах. Многие руководства по YOLO используют его как минимальный набор для запуска обучения, потому что он быстро загружается, понятен по структуре и не требует сложной подготовки. Это снижает порог входа для исследователей, инженеров и студентов, которые изучают detection-модели и хотят увидеть полный цикл работы без ожидания многочасовых тренировок.