Link to this sectionCOCO8-Grayscale Datensatz#

Link to this sectionEinführung#

Das Ultralytics COCO8-Grayscale-Dataset ist ein kompakter und dennoch leistungsfähiger object detection-Datensatz, der aus den ersten 8 Bildern des COCO-train-2017-Sets besteht, die in das Graustufenformat konvertiert wurden – 4 für das Training und 4 für die Validierung. Dieser Datensatz wurde speziell für schnelle Tests, Debugging und Experimente mit YOLO-Graustufenmodellen und Trainings-Pipelines entwickelt. Seine geringe Größe macht ihn sehr gut handhabbar, während seine Vielfalt sicherstellt, dass er als effektive Plausibilitätsprüfung dient, bevor eine Skalierung auf größere Datensätze erfolgt.

COCO8-Grayscale ist vollständig kompatibel mit der Ultralytics Platform und YOLO26, was eine nahtlose Integration in deine Computer-Vision-Workflows ermöglicht.

Link to this sectionDatensatz-YAML#

Die COCO8-Grayscale Datensatzkonfiguration ist in einer YAML (Yet Another Markup Language) Datei definiert, die Datensatzpfade, Klassennamen und andere wesentliche Metadaten festlegt. Du kannst die offizielle coco8-grayscale.yaml Datei im Ultralytics GitHub Repository einsehen.

# 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

Link to this sectionVerwendung#

Um ein YOLO26n Modell auf dem COCO8-Grayscale Datensatz für 100 epochs mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der YOLO Training Dokumentation.

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)

Link to this sectionBeispielbilder und Annotationen#

Unten ist ein Beispiel für einen mosaikierten Trainings-Batch aus dem COCO8-Grayscale Datensatz:

• Mosaikiertes Bild: Dieses Bild veranschaulicht einen Trainings-Batch, bei dem mehrere Datensatzbilder mithilfe von Mosaik-Augmentation kombiniert werden. Die Mosaik-Augmentation erhöht die Vielfalt der Objekte und Szenen innerhalb jedes Batches und hilft dem Modell, besser auf verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe zu generalisieren.

Diese Technik ist besonders nützlich für kleine Datensätze wie COCO8-Grayscale, da sie den Wert jedes Bildes während des Trainings maximiert.

Link to this sectionZitate und Danksagungen#

Wenn du den COCO-Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere bitte das folgende Dokument:

@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}
}

Besonderer Dank geht an das COCO Consortium für ihre kontinuierlichen Beiträge zur Computer-Vision-Community.

Link to this sectionFAQ#

Link to this sectionWofür wird der Ultralytics COCO8-Grayscale Datensatz verwendet?#

Das Ultralytics COCO8-Grayscale-Dataset wurde für schnelle Tests und das Debugging von object detection-Modellen konzipiert. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) ist es ideal, um deine YOLO-Trainings-Pipelines zu verifizieren und sicherzustellen, dass alles wie erwartet funktioniert, bevor du auf größere Datensätze skalierst. Weitere Details findest du in der COCO8-Grayscale YAML-Konfiguration.

Link to this sectionWie trainiere ich ein YOLO26 Modell mit dem COCO8-Grayscale Datensatz?#

Du kannst ein YOLO26 Modell auf COCO8-Grayscale entweder mit Python oder über das CLI trainieren:

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)

Für weitere Trainingsoptionen beachte bitte die YOLO-Trainingsdokumentation.

Link to this sectionWarum sollte ich die Ultralytics Platform zur Verwaltung meines COCO8-Grayscale Trainings verwenden?#

Ultralytics Platform optimiert die Datensatzverwaltung, das Training und die Bereitstellung für YOLO-Modelle – einschließlich COCO8-Grayscale. Mit Funktionen wie Cloud-Training, Echtzeit-Überwachung und intuitiver Datensatzverwaltung ermöglicht dir HUB das Starten von Experimenten mit einem einzigen Klick und eliminiert den manuellen Einrichtungsaufwand. Erfahre mehr über Ultralytics Platform und wie sie deine Computer-Vision-Projekte beschleunigen kann.

Link to this sectionWas sind die Vorteile der Verwendung von Mosaic-Augmentierung beim Training mit dem COCO8-Grayscale Datensatz?#

Die Mosaic-Augmentierung, wie sie im COCO8-Grayscale-Training verwendet wird, kombiniert während jedes Batches mehrere Bilder zu einem. Dies erhöht die Vielfalt der Objekte und Hintergründe und hilft deinem YOLO-Modell, besser auf neue Szenarien zu generalisieren. Die Mosaic-Augmentierung ist besonders wertvoll für kleine Datensätze, da sie die verfügbaren Informationen in jedem Trainingsschritt maximiert. Weitere Informationen dazu findest du im Trainingsleitfaden.

Link to this sectionWie kann ich mein auf dem COCO8-Grayscale Datensatz trainiertes YOLO26 Modell validieren?#

Um dein YOLO26 Modell nach dem Training auf COCO8-Grayscale zu validieren, verwende die Validierungsbefehle des Modells entweder in Python oder im CLI. Dies bewertet die Leistung deines Modells anhand von Standardmetriken. Schritt-für-Schritt-Anleitungen findest du in der YOLO Validation Dokumentation.