Zum Inhalt springen

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:

Beispielbild des Datensatzes

  • 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.



📅 Erstellt vor 3 Monaten ✏️ Aktualisiert vor 21 Tagen

Kommentare