COCO 是一个大型图像数据集，其被用于机器视觉领域的对象检测与分割、人物关键点检测、填充分割与字幕生成。该数据集以场景理解为主，图像中的目标则通过精确的分割进行位置标定。

该数据集具有目标分割、情景感知和超像素分割三个特征，其包含 33 万张图像、 150 万目标实例、 80 个目标类、 91 个物品类以及 25 万关键点人物。

COCO 数据集由微软于 2014 年发布，现已成为图像字幕的标准测试平台。