مجموعة بيانات COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

Eight-image multispectral COCO sample for object detection with four train and four validation images, 30 bounding boxes, 80 COCO classes, and genuine 10-channel uint8 TIFF imagery. Derived from COCO imagery and packaged by Ultralytics for multispectral pipeline validation.

80 classes20.3 MBAug 24, 2026

personbicyclecarmotorcycle+76

مقدمة#

مجموعة بيانات Ultralytics COCO8-Multispectral هي نسخة متقدمة من مجموعة بيانات COCO8 الأصلية، مصممة لتسهيل التجريب باستخدام نماذج اكتشاف الكائنات متعددة الأطياف. تتكون من نفس الـ 8 صور من مجموعة التدريب COCO train 2017 - 4 للتدريب و 4 للتحقق من الصحة - ولكن مع تحويل كل صورة إلى تنسيق متعدد الأطياف مكون من 10 قنوات. من خلال التوسع إلى ما وراء قنوات RGB القياسية، تتيح مجموعة COCO8-Multispectral تطوير وتقييم النماذج التي يمكنها الاستفادة من معلومات طيفية أكثر غنى.

تتوافق مجموعة COCO8-Multispectral تمامًا مع Ultralytics Platform و YOLO26، مما يضمن التكامُل السلس في سير عمل الرؤية الحاسوبية الخاص بك.

هيكل مجموعة البيانات#

تتشارك مجموعة COCO8-Multispectral نفس الصور الـ 8 مع COCO8 - 4 للتدريب و 4 للتحقق من الصحة عبر جميع فئات كائنات COCO الـ 80 - ولكن يتم تخزين كل صورة كـ .tiff متعدد الأطياف مكون من 10 قنوات بتنسيق تنسيق تسميات YOLO:

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

إنشاء مجموعة البيانات#

تم إنشاء الصور متعددة الأطياف في COCO8-Multispectral عن طريق استيفاء صور RGB الأصلية عبر 10 قنوات طيفية موزعة بانتظام ضمن الطيف المرئي. تتضمن العملية ما يلي:

• تخصيص الأطوال الموجية: تخصيص أطوال موجية اسمية لقنوات RGB—الأحمر: 650 نانومتر، الأخضر: 510 نانومتر، الأزرق: 475 نانومتر.
• الاستيفاء: استخدام الاستيفاء الخطي لتقدير قيم البكسل عند أطوال موجية متوسطة بين 450 نانومتر و700 نانومتر، مما ينتج عنه 10 قنوات طيفية.
• الاستكمال الخطي (Extrapolation): تطبيق الاستكمال الخطي لتقدير القيم خارج نطاق الأطوال الموجية الأصلية لـ RGB، مما يضمن تمثيلاً طيفياً كاملاً.

يحاكي هذا النهج عملية التصوير متعدد الأطياف، مما يوفر مجموعة بيانات أكثر تنوعًا لتدريب النماذج وتقييمها. لمزيد من القراءة حول التصوير متعدد الأطياف، راجع مقالة ويكيبيديا حول التصوير متعدد الأطياف.

YAML مجموعة البيانات#

تُكوّن مجموعة بيانات COCO8-Multispectral باستخدام ملف YAML، والذي 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#

تتم تنزيل مجموعة بيانات COCO8-Multispectral (20.2 ميجابايت) تلقائيًا في المرة الأولى التي تبدأ فيها التدريب. لتدريب نموذج YOLO26n على مجموعة COCO8-Multispectral لمدة 100 حقبة تدريبية بحجم صورة 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 نموذج Ultralytics YOLO ودليل نصائح تدريب نموذج YOLO.

صور وشروحات توضيحية عينة#

فيما يلي مثال على دفعة تدريب مركبة (mosaiced) من مجموعة بيانات COCO8-Multispectral:

• الصورة الفسيفسائية: توضح هذه الصورة دفعة تدريبية يتم فيها دمج صور متعددة لمجموعة البيانات باستخدام زيادة البيانات الفسيفسائية. تزيد زيادة البيانات الفسيفسائية من تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل على مختلف أحجام الكائنات، ونسب الأبعاد، والخلفيات.

تعد هذه التقنية قيمة بشكل خاص لمجموعات البيانات الصغيرة مثل COCO8-Multispectral، حيث إنها تزيد من فائدة 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 على مساهماتهم المستمرة في مجتمع الرؤية الحاسوبية.

الأسئلة الشائعة#