مجموعة بيانات COCO8-Multispectral
مقدمة
ال Ultralytics مجموعة بيانات COCO8 هي نسخة متطورة من مجموعة بيانات COCO8 الأصلية، وهي مصممة لتسهيل تجربة نماذج الكشف عن الأجسام متعددة الأطياف. وهي تتكون من نفس الصور الثماني من مجموعة بيانات COCO Train 2017 - 4 صور للتدريب و4 صور للتحقق من الصحة - ولكن مع تحويل كل صورة إلى تنسيق متعدد الأطياف ذي 10 قنوات. من خلال التوسع إلى ما هو أبعد من قنوات RGB القياسية، يتيح COCO8 تطوير وتقييم النماذج التي يمكنها الاستفادة من المعلومات الطيفية الأكثر ثراءً.
تتوافق COCO8-Multispectral تمامًا مع Ultralytics HUB و YOLO11، مما يضمن التكامل السلس في مهام سير عمل رؤية الكمبيوتر الخاصة بك.
شاهد: كيفية تدريب Ultralytics YOLO11 على مجموعات بيانات متعددة الأطياف | رؤية متعددة القنوات VisionAI 🚀
إنشاء مجموعة البيانات
تم إنشاء الصور متعددة الأطياف في COCO8-Multispectral عن طريق استيفاء صور RGB الأصلية عبر 10 قنوات طيفية متباعدة بالتساوي داخل الطيف المرئي. تتضمن العملية:
- تخصيص الطول الموجي: تخصيص الأطوال الموجية الاسمية لقنوات RGB—الأحمر: 650 نانومتر، الأخضر: 510 نانومتر، الأزرق: 475 نانومتر.
- الاستيفاء: استخدام الاستيفاء الخطي لتقدير قيم البكسل بأطوال موجية وسيطة بين 450 نانومتر و 700 نانومتر، مما يؤدي إلى 10 قنوات طيفية.
- الاستقراء: تطبيق الاستقراء باستخدام SciPy's
interp1dدالة لتقدير القيم خارج الأطوال الموجية RGB الأصلية، مما يضمن تمثيلًا طيفيًا كاملاً.
يحاكي هذا الأسلوب عملية التصوير متعدد الأطياف، مما يوفر مجموعة بيانات أكثر تنوعًا لتدريب النموذج وتقييمه. لمزيد من القراءة حول التصوير متعدد الأطياف، راجع مقالة التصوير متعدد الأطياف في ويكيبيديا.
ملف YAML لمجموعة البيانات
تم تكوين مجموعة بيانات COCO8-Multispectral باستخدام ملف YAML، والذي يحدد مسارات مجموعة البيانات وأسماء الفئات وبيانات التعريف الأساسية. يمكنك مراجعة coco8-multispectral.yaml الملف في مستودع Ultralytics GitHub.
ultralytics/cfg/datasets/coco8-multispectral.yaml
# 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
ملاحظة
قم بإعداد صور TIFF الخاصة بك في (channel, height, width) الطلب، تم حفظه مع .tiff أو .tif الامتداد، والتأكد من أنها uint8 للاستخدام مع Ultralytics:
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
لتدريب نموذج YOLO11n على مجموعة بيانات COCO8-Multispectral لعدد 100 حقبة (epoch) بحجم صورة 640، استخدم الأمثلة التالية. للحصول على قائمة شاملة بخيارات التدريب، ارجع إلى وثائق تدريب YOLO.
مثال على التدريب
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo11n.pt epochs=100 imgsz=640
لمزيد من التفاصيل حول اختيار النموذج وأفضل الممارسات، استكشف وثائق نموذج Ultralytics YOLO و دليل نصائح تدريب نموذج YOLO.
عينات من الصور والشروحات التوضيحية
فيما يلي مثال على دفعة تدريب مُجمَّعة من مجموعة بيانات COCO8-Multispectral:
- صورة الفسيفساء: توضح هذه الصورة دفعة تدريب يتم فيها دمج صور متعددة لمجموعة البيانات باستخدام زيادة الفسيفساء. تزيد زيادة الفسيفساء من تنوع الكائنات والمشاهد داخل كل دفعة، مما يساعد النموذج على التعميم بشكل أفضل لأحجام الكائنات ونسب العرض إلى الارتفاع والخلفيات المختلفة.
تعتبر هذه التقنية ذات قيمة خاصة لمجموعات البيانات الصغيرة مثل COCO8-Multispectral، لأنها تزيد من فائدة كل صورة أثناء التدريب.
الاقتباسات والإقرارات
إذا كنت تستخدم مجموعة بيانات COCO في بحثك أو تطويرك، فيرجى الاستشهاد بالورقة 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 رؤية الكمبيوتر.
الأسئلة الشائعة
فيما تستخدم مجموعة بيانات Ultralytics COCO8-Multispectral؟
تم تصميم مجموعة بيانات Ultralytics COCO8-Multispectral للاختبار السريع وتصحيح نماذج الكشف عن الكائنات متعددة الأطياف. مع 8 صور فقط (4 للتدريب، 4 للتحقق)، فهي مثالية للتحقق من خطوط أنابيب تدريب YOLO الخاصة بك والتأكد من أن كل شيء يعمل على النحو المتوقع قبل التوسع إلى مجموعات بيانات أكبر. لمزيد من مجموعات البيانات للتجربة، قم بزيارة كتالوج مجموعات بيانات Ultralytics.
كيف تعمل البيانات متعددة الأطياف على تحسين اكتشاف الكائنات؟
توفر البيانات متعددة الأطياف معلومات طيفية إضافية تتجاوز RGB القياسية، مما يمكّن النماذج من تمييز الكائنات بناءً على اختلافات طفيفة في الانعكاس عبر الأطوال الموجية. يمكن أن يؤدي ذلك إلى تحسين دقة الكشف، خاصة في السيناريوهات الصعبة. تعرف على المزيد حول التصوير متعدد الأطياف وتطبيقاته في رؤية الكمبيوتر المتقدمة.
هل COCO8-Multispectral متوافق مع Ultralytics HUB ونماذج YOLO؟
نعم، COCO8-Multispectral متوافق تمامًا مع Ultralytics HUB وجميع نماذج YOLO، بما في ذلك أحدث YOLO11. يتيح لك ذلك دمج مجموعة البيانات بسهولة في مهام سير عمل التدريب والتحقق.
أين يمكنني العثور على مزيد من المعلومات حول تقنيات زيادة البيانات؟
لفهم أعمق لطرق زيادة البيانات مثل الفسيفساء وتأثيرها على أداء النموذج، ارجع إلى دليل زيادة بيانات YOLO و مدونة Ultralytics حول زيادة البيانات.
هل يمكنني استخدام COCO8-متعدد الأطياف لأغراض القياس أو التعليم؟
بالتأكيد! إن الحجم الصغير والطبيعة متعددة الأطياف لـ COCO8-Multispectral تجعلها مثالية لتقييم الأداء والعروض التوضيحية التعليمية ونماذج أولية لبنى النماذج الجديدة. لمزيد من مجموعات بيانات قياس الأداء، راجع Ultralytics Benchmark Dataset Collection.
