مجموعة بيانات COCO8-Grayscale#

8

coco8 grayscale

ultralytics

publicDetect

Grayscale object detection dataset featuring diverse scenes including wildlife, household items, food, and people in varied indoor and outdoor environments.

76 classes789.4 KBAug 22, 2026

class0class1class2class3+72

مقدمة#

يعتبر مجموعة بيانات Ultralytics COCO8-Grayscale مجموعة بيانات object detection مدمجة وقوية في نفس الوقت، حيث تتكون من أول 8 صور من مجموعة تدريب COCO 2017 المحولة إلى تنسيق تدرج رمادي - 4 للتدريب و4 للتحقق من الصحة. تم تصميم مجموعة خصيصاً للاختبار السريع وتصحيح الأخطاء والتجارب باستخدام نماذج تدرج رمادي ومسارات تدريب YOLO. يجعلها حجمها الصغير قابلة للإدارة بشكل كبير، بينما يضمن تنوعها أن تعمل كفحص سلامة فعال قبل التوسع إلى مجموعات بيانات أكبر.

هيكل مجموعة البيانات#

يعكس COCO8-Grayscale مجموعة COCO8 - أول 8 صور من مجموعة تدريب COCO 2017، المقسمة إلى 4 للتدريب و4 للتحقق من الصحة عبر جميع فئات كائنات COCO الـ 80 - ولكن يتم تخزين كل صورة كصورة تدرج رمادي أحادية القناة (channels: 1) بتنسيق YOLO label format:

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

استكشف COCO8-Grayscale on Ultralytics Platform لتصفح كل صورة مع طبقات التعليقات التوضيحية الخاصة بها، وعرض توزيع الفئات الخرائط الحرارية لمربعات الإحاطة في علامة التبويب Charts، واستنساخها لتدريب نموذجك الخاص في السحابة.

YAML مجموعة البيانات#

يتم تعريف تكوين مجموعة بيانات COCO8-Grayscale في ملف YAML، والذي يحدد مسارات مجموعة البيانات وأسماء الفئات والبيانات الوصفية الأساسية الأخرى. يمكنك مراجعة الملف الرسمي coco8-grayscale.yaml في Ultralytics GitHub repository.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale ← 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: coco8-grayscale # 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)

channels: 1

# Classes
names:
  0: person
  1: bicycle
  2: car
  3: motorcycle
  4: airplane
  5: bus
  6: train
  7: truck
  8: boat
  9: traffic light
  10: fire hydrant
  11: stop sign
  12: parking meter
  13: bench
  14: bird
  15: cat
  16: dog
  17: horse
  18: sheep
  19: cow
  20: elephant
  21: bear
  22: zebra
  23: giraffe
  24: backpack
  25: umbrella
  26: handbag
  27: tie
  28: suitcase
  29: frisbee
  30: skis
  31: snowboard
  32: sports ball
  33: kite
  34: baseball bat
  35: baseball glove
  36: skateboard
  37: surfboard
  38: tennis racket
  39: bottle
  40: wine glass
  41: cup
  42: fork
  43: knife
  44: spoon
  45: bowl
  46: banana
  47: apple
  48: sandwich
  49: orange
  50: broccoli
  51: carrot
  52: hot dog
  53: pizza
  54: donut
  55: cake
  56: chair
  57: couch
  58: potted plant
  59: bed
  60: dining table
  61: toilet
  62: tv
  63: laptop
  64: mouse
  65: remote
  66: keyboard
  67: cell phone
  68: microwave
  69: oven
  70: toaster
  71: sink
  72: refrigerator
  73: book
  74: clock
  75: vase
  76: scissors
  77: teddy bear
  78: hair drier
  79: toothbrush

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

الاستخدام#

يتم تنزيل مجموعة بيانات COCO8-Grayscale (1 ميجابايت) تلقائياً في المرة الأولى التي تبدأ فيها التدريب. لتدريب نموذج YOLO26n على COCO8-Grayscale لـ 100 epochs بحجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة كاملة بخيارات التدريب، راجع YOLO Training documentation.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

صور وشروحات توضيحية عينة#

فيما يلي مثال على دفعة تدريبية مفسفسة (mosaiced) من مجموعة بيانات COCO8-Grayscale:

• صورة موزاييكية: توضح هذه الصورة دفعة تدريب حيث يتم دمج صور متعددة من مجموعة البيانات باستخدام توسيع الموزاييك (mosaic augmentation). يزيد توسيع الموزاييك من تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل على أحجام الكائنات، ونسب العرض إلى الارتفاع، والخلفيات المختلفة.

هذه التقنية مفيدة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8-Grayscale، حيث تعظم من قيمة كل صورة أثناء التدريب.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، يرجى الاستشهاد بالورقة البحثية التالية:

@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}
}

شكر خاص لـ COCO Consortium لمساهماتهم المستمرة في مجتمع computer vision.

الأسئلة الشائعة#