مجموعة بيانات COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

COCO8 Multispectral is an eight-image detection utility with genuine 10-channel uint8 TIFF inputs. Four training and four validation images pair multispectral loading with COCO boxes and the 80-class taxonomy for focused pipeline validation.

80 classes20.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

مقدمة#

تُعد مجموعة بيانات COCO8-Multispectral من Ultralytics نسخة متقدمة من مجموعة بيانات COCO8 الأصلية، وقد صُممت لتسهيل إجراء التجارب على نماذج اكتشاف الكائنات متعددة الأطياف. وتتكوّن من الصور الثماني نفسها من مجموعة COCO train 2017—4 للتدريب و4 للتحقق—لكن مع تحويل كل صورة إلى تنسيق متعدد الأطياف مكوّن من 10 قنوات. ومن خلال التوسع إلى ما يتجاوز قنوات RGB القياسية، تتيح COCO8-Multispectral تطوير نماذج يمكنها الاستفادة من معلومات طيفية أكثر ثراءً وتقييمها.

تتوافق COCO8-Multispectral توافقًا كاملًا مع Ultralytics Platform وYOLO26، مما يضمن تكاملًا سلسًا مع سير عمل الرؤية الحاسوبية لديك.

بنية مجموعة البيانات#

تشترك COCO8-Multispectral في الصور الثماني نفسها مع COCO8—4 للتدريب و4 للتحقق ضمن جميع فئات كائنات COCO البالغ عددها 80 فئة—لكن كل صورة تُخزّن على شكل .tiff متعدد الأطياف مكوّن من 10 قنوات وفق تنسيق 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 الصور الأصلية بصيغة RGB عبر 10 قنوات طيفية موزعة بالتساوي ضمن الطيف المرئي. وتتضمن العملية ما يلي:

• تعيين الأطوال الموجية: تعيين أطوال موجية اسمية إلى قنوات 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، مما ينتج عنه 10 قنوات طيفية.
• الاستقراء: تطبيق الاستقراء الخطي لتقدير القيم التي تتجاوز الأطوال الموجية الأصلية لقنوات RGB، مما يضمن تمثيلًا طيفيًا كاملًا.

تحاكي هذه الطريقة عملية التصوير متعدد الأطياف، وتوفر مجموعة بيانات أكثر تنوعًا لتدريب النماذج وتقييمها. ولمزيد من القراءة حول التصوير متعدد الأطياف، راجع مقالة التصوير متعدد الأطياف في ويكيبيديا.

YAML مجموعة البيانات#

تُهيَّأ مجموعة بيانات COCO8-Multispectral باستخدام ملف YAML يحدد مسارات مجموعة البيانات وأسماء الفئات والبيانات الوصفية الأساسية. يمكنك مراجعة ملف coco8-multispectral.yaml الرسمي 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.zip

import cv2
import numpy as np

# Create and write 10-channel TIFF
image = np.ones((10, 640, 640), dtype=np.uint8)  # CHW-order
cv2.imwritemulti("example.tiff", image)

# Read TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  HWC-order for training and inference

الاستخدام#

تُنزَّل مجموعة بيانات COCO8-Multispectral (بحجم 20.2 MB) تلقائيًا عند بدء التدريب لأول مرة. لتدريب نموذج YOLO26n على COCO8-Multispectral لمدة 100 حقبة وبحجم صورة قدره 640، استخدم الأمثلة التالية. للحصول على قائمة شاملة بخيارات التدريب، راجع وثائق تدريب YOLO.

from ultralytics import YOLO

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

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

لمزيد من التفاصيل حول اختيار النماذج وأفضل الممارسات، استكشف وثائق نماذج Ultralytics YOLO ودليل نصائح تدريب نماذج YOLO.

الصور والتعليقات التوضيحية النموذجية#

فيما يلي مثال على دفعة تدريب مكوّنة من صور فسيفسائية من مجموعة بيانات COCO8-Multispectral:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب جُمعت فيها عدة صور من مجموعة البيانات باستخدام تعزيز الفسيفساء. يزيد تعزيز الفسيفساء تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بصورة أفضل على مختلف أحجام الكائنات ونسب العرض إلى الارتفاع والخلفيات.

تُعد هذه التقنية قيّمة بصفة خاصة لمجموعات البيانات الصغيرة مثل COCO8-Multispectral، إذ تزيد إلى أقصى حد من الاستفادة من كل صورة أثناء التدريب.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات COCO في بحثك أو تطويرك، فيُرجى الاستشهاد بالبحث التالي:

@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 بجزيل الشكر إلى اتحاد COCO على إسهاماتهم المتواصلة في مجتمع الرؤية الحاسوبية.

الأسئلة الشائعة#