COCO8-Graustufen-Datensatz
Einführung
Der Ultralytics COCO8-Graustufen-Datensatz ist ein kompakter, aber leistungsstarker Objekterkennungs-Datensatz, der aus den ersten 8 Bildern des COCO-Trainingssatzes 2017 besteht und in das Graustufenformat konvertiert wurde—4 für das Training und 4 für die Validierung. Dieser Datensatz wurde speziell für schnelle Tests, Debugging und Experimente mit YOLO-Graustufenmodellen und Trainingspipelines entwickelt. Seine geringe Größe macht ihn sehr handlich, während seine Vielfalt sicherstellt, dass er als effektiver Plausibilitätscheck dient, bevor er auf größere Datensätze skaliert wird.
Ansehen: Wie man Ultralytics YOLO11 auf Graustufen-Datensätzen trainiert 🚀
COCO8-Graustufen ist vollständig kompatibel mit Ultralytics HUB und YOLO11 und ermöglicht eine nahtlose Integration in Ihre Computer-Vision-Workflows.
Datensatz-YAML
Die COCO8-Graustufen-Datensatzkonfiguration ist in einer YAML-Datei (Yet Another Markup Language) definiert, die Datensatzpfade, Klassennamen und andere wichtige Metadaten spezifiziert. Sie können die offizielle Datei einsehen coco8-grayscale.yaml Datei in der Ultralytics GitHub-Repositorys.
Hinweis
Um Ihre RGB-Bilder in Graustufen zu trainieren, können Sie einfach channels: 1 zu Ihrer Datensatz-YAML-Datei hinzu. Dies konvertiert alle Bilder während des Trainings in Graustufen, sodass Sie die Vorteile von Graustufen nutzen können, ohne einen separaten Datensatz zu benötigen.
ultralytics/cfg/datasets/coco8-grayscale.yaml
# 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
Nutzung
Um ein YOLO11n-Modell auf dem COCO8-Grayscale-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen finden Sie in der YOLO-Trainingsdokumentation.
Trainingsbeispiel
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
sample_images und Anmerkungen
Nachfolgend sehen Sie ein Beispiel für einen mosaikartigen Trainings-Batch aus dem COCO8-Graustufen-Datensatz:
- Mosaikbild: Dieses Bild veranschaulicht einen Trainings-Batch, bei dem mehrere Datensatzbilder mithilfe der Mosaic-Augmentierung kombiniert werden. Die Mosaic-Augmentierung erhöht die Vielfalt von Objekten und Szenen innerhalb jedes Batches und hilft dem Modell, sich besser an verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe anzupassen.
Diese Technik ist besonders nützlich für kleine Datensätze wie COCO8-Grayscale, da sie den Wert jedes Bildes während des Trainings maximiert.
Zitate und Danksagungen
Wenn Sie das COCO-Dataset in Ihrer Forschung oder Entwicklung verwenden, zitieren Sie bitte das folgende Paper:
@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 gilt dem COCO Consortium für seine fortlaufenden Beiträge zur Computer-Vision-Community.
FAQ
Wofür wird der Ultralytics COCO8-Graustufen-Datensatz verwendet?
Der Ultralytics COCO8-Graustufen-Datensatz ist für schnelle Tests und das Debuggen von Objekterkennungs-Modellen konzipiert. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) ist er ideal, um Ihre YOLO-Trainingspipelines zu überprüfen und sicherzustellen, dass alles wie erwartet funktioniert, bevor Sie auf größere Datensätze skalieren. Erkunden Sie die COCO8-Graustufen-YAML-Konfiguration für weitere Details.
Wie trainiere ich ein YOLO11-Modell mit dem COCO8-Graustufen-Datensatz?
Sie können ein YOLO11-Modell auf COCO8-Graustufen entweder mit Python oder der CLI trainieren:
Trainingsbeispiel
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Weitere Trainingsoptionen finden Sie in der YOLO-Trainingsdokumentation.
Warum sollte ich Ultralytics HUB für die Verwaltung meines COCO8-Graustufen-Trainings verwenden?
Ultralytics HUB optimiert das Dataset-Management, das Training und die Bereitstellung für YOLO-Modelle – einschließlich COCO8-Grayscale. Mit Funktionen wie Cloud-Training, Echtzeitüberwachung und intuitiver Dataset-Verarbeitung ermöglicht HUB Ihnen, Experimente mit einem einzigen Klick zu starten und manuelle Einrichtungsarbeiten zu eliminieren. Erfahren Sie mehr über Ultralytics HUB und wie es Ihre Computer-Vision-Projekte beschleunigen kann.
Welche Vorteile bietet die Verwendung von Mosaic Augmentation beim Training mit dem COCO8-Graustufen-Datensatz?
Die Mosaik-Augmentierung, wie sie im COCO8-Graustufen-Training verwendet wird, kombiniert mehrere Bilder während jedes Batches zu einem Bild. Dies erhöht die Vielfalt von Objekten und Hintergründen und hilft Ihrem YOLO-Modell, sich besser an neue Szenarien anzupassen. Die Mosaik-Augmentierung ist besonders wertvoll für kleine Datensätze, da sie die in jedem Trainingsschritt verfügbaren Informationen maximiert. Weitere Informationen hierzu finden Sie im Trainingsleitfaden.
Wie kann ich mein YOLO11-Modell validieren, das mit dem COCO8-Graustufen-Datensatz trainiert wurde?
Um Ihr YOLO11-Modell nach dem Training auf COCO8-Grayscale zu validieren, verwenden Sie die Validierungsbefehle des Modells entweder in Python oder in der CLI. Dies bewertet die Leistung Ihres Modells anhand von Standardmetriken. Schritt-für-Schritt-Anleitungen finden Sie in der YOLO-Validierungsdokumentation.
