مجموعة بيانات COCO8-Multispectral
مقدمة#
مجموعة بيانات COCO8-Multispectral من Ultralytics هي نسخة من مجموعة بيانات COCO8 الأصلية مخصصة لتجربة نماذج اكتشاف الكائنات متعددة الأطياف. وتتألف من الصور الثماني نفسها من مجموعة COCO train 2017، بواقع 4 صور للتدريب و4 للتحقق، مع تحويل كل صورة إلى تنسيق متعدد الأطياف ذي 10 قنوات. وبالاستفادة من قنوات تتجاوز قنوات RGB القياسية، تتيح COCO8-Multispectral تطوير النماذج التي تستخدم معلومات طيفية أغنى وتقييمها.
تتوافق COCO8-Multispectral مع منصة Ultralytics وYOLO26، لذا يمكنك استخدامها مباشرة في مسارات عمل الرؤية الحاسوبية.
شاهد: كيفية تدريب Ultralytics YOLO على مجموعات بيانات بتدرج الرمادي ومتعددة الأطياف | رؤية متعددة القنوات 🚀
بنية مجموعة البيانات#
تضم COCO8-Multispectral الصور الثماني نفسها الموجودة في COCO8—4 صور للتدريب و4 للتحقق، موسومة بأسماء فئات COCO الثمانين—لكن كل صورة مخزنة كملف .tiff متعدد الأطياف ذي 10 قنوات، وبتنسيق تسميات YOLO:
coco8-multispectral/
├── images/
│ ├── train/ # 4 images (10-channel .tiff)
│ └── val/ # 4 images (10-channel .tiff)
└── labels/
├── train/
└── val/إنشاء مجموعة البيانات#
أُنشئت الصور متعددة الأطياف في COCO8-Multispectral باستيفاء صور RGB الأصلية عبر 10 قنوات طيفية موزعة بالتساوي ضمن الطيف المرئي. وتتضمن العملية ما يلي:
- تعيين الأطوال الموجية: تعيين أطوال موجية اسمية لقنوات RGB—الأحمر: 650 nm، والأخضر: 510 nm، والأزرق: 475 nm.
- الاستيفاء: استخدام الاستيفاء الخطي لتقدير قيم البكسلات عند الأطوال الموجية الوسيطة بين 450 nm و700 nm، لينتج عن ذلك 10 قنوات طيفية.
- الاستقراء: تطبيق الاستقراء الخطي لتقدير القيم خارج نطاق الأطوال الموجية الأصلية لقنوات RGB، بما يضمن تمثيلاً طيفياً كاملاً.
تحاكي هذه الطريقة عملية التصوير متعدد الأطياف، وتوفر مجموعة بيانات أكثر تنوعاً لتدريب النماذج وتقييمها. لمزيد من القراءة عن التصوير متعدد الأطياف، راجع مقالة التصوير متعدد الأطياف في ويكيبيديا.
ملف YAML لمجموعة البيانات#
يُضبط إعداد مجموعة بيانات COCO8-Multispectral باستخدام ملف YAML، الذي يحدد مسارات مجموعة البيانات وأسماء الفئات والبيانات الوصفية الأساسية. يمكنك مراجعة الملف الرسمي coco8-multispectral.yaml في مستودع Ultralytics على GitHub.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Multispectral dataset (COCO8 images interpolated across 10 channels in the visual spectrum) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-multispectral
# Example usage: yolo train data=coco8-multispectral.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-multispectral ← downloads here (20.2 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-multispectral # 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)
# Number of multispectral image channels
channels: 10
# 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-multispectral.zipجهّز صور TIFF بترتيب (channel, height, width)، واحفظها بامتداد .tiff أو .tif، وتأكد من أنها uint8 لاستخدامها مع Ultralytics:
import cv2
import numpy as np
# أنشئ ملف TIFF ذا 10 قنوات واكتبه
image = np.ones((10, 640, 640), dtype=np.uint8) # ترتيب CHW
cv2.imwritemulti("example.tiff", image)
# اقرأ TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape) # (640, 640, 10) ترتيب HWC للتدريب والاستدلالالاستخدام#
تُنزَّل مجموعة بيانات COCO8-Multispectral (20.2 MB) تلقائيًا عند بدء التدريب للمرة الأولى. لتدريب نموذج YOLO26n على COCO8-Multispectral لمدة 100 حقبة وبحجم صورة 640، استخدم الأمثلة التالية.
from ultralytics import YOLO
# تحميل نموذج YOLO26n مُدرّب مسبقًا
model = YOLO("yolo26n.pt")
# درّب النموذج على COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)لمزيد من التفاصيل حول اختيار النماذج وأفضل الممارسات، اطّلع على وثائق نماذج Ultralytics YOLO ودليل نصائح تدريب نماذج YOLO.
صور وتعليقات توضيحية نموذجية#
فيما يلي مثال على دفعة تدريب مركّبة باستخدام الفسيفساء من مجموعة بيانات COCO8-Multispectral:
- صورة مركبة بالفسيفساء: تعرض هذه الصورة دفعة تدريبية تُدمج فيها صور متعددة من مجموعة البيانات باستخدام تعزيز البيانات بتقنية الفسيفساء. ويزيد تعزيز البيانات بتقنية الفسيفساء من تنوع الأجسام والمشاهد في كل دفعة، مما يساعد النموذج على التعميم بصورة أفضل على مختلف أحجام الأجسام ونسب العرض إلى الارتفاع والخلفيات.
تكتسب هذه التقنية أهمية خاصة مع مجموعات البيانات الصغيرة مثل COCO8-Multispectral، إذ تزيد إلى أقصى حد من الاستفادة من كل صورة أثناء التدريب.
الاستشهادات والشكر والتقدير#
إذا استخدمت مجموعة بيانات COCO في أبحاثك أو أعمال التطوير، فيُرجى 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}
}نتوجه بشكر خاص إلى اتحاد COCO على إسهاماته المستمرة في مجتمع الرؤية الحاسوبية.
الأسئلة الشائعة#
صُممت مجموعة بيانات Ultralytics COCO8-Multispectral للاختبار السريع وتصحيح أخطاء نماذج اكتشاف الكائنات متعددة الأطياف. وهي مثالية، إذ تضم 8 صور فقط (4 للتدريب و4 للتحقق)، للتحقق من مسارات تدريب YOLO26 والتأكد من أن كل شيء يعمل كما هو متوقع قبل التوسع إلى مجموعات بيانات أكبر.
توفر البيانات متعددة الأطياف معلومات طيفية إضافية تتجاوز RGB القياسي، ما يمكّن النماذج من تمييز الكائنات استنادًا إلى الفروق الدقيقة في الانعكاس عبر الأطوال الموجية. ويمكن أن يحسّن ذلك دقة الاكتشاف، ولا سيما في السيناريوهات الصعبة مثل الإضاءة المنخفضة أو التمويه.
نعم. تتوافق COCO8-Multispectral مع منصة Ultralytics ونماذج Ultralytics YOLO، بما فيها YOLO26، لكل من التدريب والتحقق.
لفهم أعمق لأساليب تعزيز البيانات، مثل الفسيفساء، وتأثيرها في أداء النموذج، راجع دليل تعزيز البيانات في YOLO ومدونة Ultralytics حول تعزيز البيانات.
تلائم هذه المجموعة العروض التعليمية والنماذج الأولية لهياكل النماذج الجديدة والتحقق من مسارات العمل متعددة القنوات. وهي صغيرة جدًا لإجراء مقارنة معيارية ذات دلالة، إذ لا تضم سوى 8 صور؛ لذا استخدم مجموعة بيانات أكبر عندما تحتاج إلى مقاييس تمثيلية.
التعليقات1
اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.
brenoslinhares
Good afternoon.
I reproduced it for detection and it worked normally. However, adapting the COCO8-Multispectral dataset for classification, as well as the .yaml file when loading the model with channels equal to 10 and the dataset root path in data, returns the following error: RuntimeError: Given groups=1, weight of size [16, 10, 3, 3], expected input [4, 3, 640, 640] to have 10 channels, but got 3 channels instead.
Is it possible to use it for classification, including with data augmentation? How would this be possible? Has there been an update for this task?
Thank you in advance.



