COCO8-Multispectral-Datensatz
Einführung#
Der COCO8-Multispectral-Datensatz von Ultralytics ist eine Variante des ursprünglichen COCO8-Datensatzes, mit der sich multispektrale Objekterkennungsmodelle erproben lassen. Er umfasst dieselben 8 Bilder aus dem COCO-Trainingssatz von 2017 – 4 für das Training und 4 für die Validierung –, wobei jedes Bild in ein multispektrales Format mit 10 Kanälen umgewandelt wurde. Durch die Erweiterung über die standardmäßigen RGB-Kanäle hinaus ermöglicht COCO8-Multispectral die Entwicklung und Bewertung von Modellen, die umfangreichere Spektralinformationen nutzen.
COCO8-Multispectral ist mit der Ultralytics Platform und YOLO26 kompatibel, sodass du den Datensatz direkt in deinen Computer-Vision-Workflows verwenden kannst.
Ansehen: So trainierst du Ultralytics YOLO mit Graustufen- und multispektralen Datensätzen | Mehrkanalige VisionAI 🚀
Datensatzstruktur#
COCO8-Multispectral enthält dieselben 8 Bilder wie COCO8 – 4 zum Trainieren und 4 zur Validierung, annotiert mit den 80 COCO-Klassennamen. Jedes Bild wird jedoch als multispektrale Datei mit 10 Kanälen .tiff im YOLO-Beschriftungsformat gespeichert:
coco8-multispectral/
├── images/
│ ├── train/ # 4 images (10-channel .tiff)
│ └── val/ # 4 images (10-channel .tiff)
└── labels/
├── train/
└── val/Erstellung des Datensatzes#
Die multispektralen Bilder in COCO8-Multispectral wurden erzeugt, indem die ursprünglichen RGB-Bilder über 10 gleichmäßig verteilte Spektralkanäle im sichtbaren Spektrum interpoliert wurden. Der Prozess umfasst:
- Zuweisung von Wellenlängen: Den RGB-Kanälen werden nominale Wellenlängen zugewiesen – Rot: 650 nm, Grün: 510 nm, Blau: 475 nm.
- Interpolation: Mithilfe linearer Interpolation werden Pixelwerte für Zwischenwellenlängen zwischen 450 nm und 700 nm geschätzt. So entstehen 10 Spektralkanäle.
- Extrapolation: Mithilfe linearer Extrapolation werden Werte außerhalb der ursprünglichen RGB-Wellenlängen geschätzt, um eine vollständige Spektraldarstellung zu gewährleisten.
Dieser Ansatz simuliert ein multispektrales Bildgebungsverfahren und liefert vielfältigere Daten für das Modelltraining und die Modellbewertung. Weitere Informationen zur multispektralen Bildgebung findest du im Wikipedia-Artikel zur multispektralen Bildgebung.
YAML-Datei des Datensatzes#
Der COCO8-Multispectral-Datensatz wird mithilfe einer YAML-Datei konfiguriert, in der Datensatzpfade, Klassennamen und wichtige Metadaten definiert sind. Die offizielle Datei coco8-multispectral.yaml findest du im Ultralytics-GitHub-Repository.
# 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.zipBereite deine TIFF-Bilder in der Reihenfolge (channel, height, width) vor und speichere sie mit der Dateiendung .tiff oder .tif. Stelle sicher, dass sie uint8 sind, damit sie mit Ultralytics verwendet werden können:
import cv2
import numpy as np
# 10-Kanal-TIFF-Datei erstellen und schreiben
image = np.ones((10, 640, 640), dtype=np.uint8) # CHW-order
cv2.imwritemulti("example.tiff", image)
# TIFF-Datei lesen
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape) # (640, 640, 10) HWC-Reihenfolge für Training und InferenzVerwendung#
Der COCO8-Multispectral-Datensatz (20,2 MB) wird beim ersten Trainingsstart automatisch heruntergeladen. Um ein YOLO26n-Modell 100 Epochen lang mit Bildgröße 640 auf COCO8-Multispectral zu trainieren, verwende die folgenden Beispiele.
from ultralytics import YOLO
# Ein vortrainiertes YOLO26n-Modell laden
model = YOLO("yolo26n.pt")
# Das Modell auf COCO8-Multispectral trainieren
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)Weitere Informationen zur Modellauswahl und zu bewährten Vorgehensweisen findest du in der Ultralytics-Dokumentation zu YOLO-Modellen und im Leitfaden mit Tipps zum Training von YOLO-Modellen.
Beispielbilder und Annotationen#
Unten siehst du ein Beispiel für einen Mosaik-Trainingsbatch aus dem COCO8-Multispectral-Datensatz:
- Mosaikbild: Dieses Bild zeigt einen Trainingsbatch, in dem mehrere Datensatzbilder mithilfe von Mosaik-Augmentierung kombiniert werden. Die Mosaik-Augmentierung erhöht die Vielfalt der Objekte und Szenen in jedem Batch und hilft dem Modell, besser auf verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe zu generalisieren.
Diese Technik ist besonders wertvoll für kleine Datensätze wie COCO8-Multispectral, da sie den Nutzen jedes Bildes während des Trainings maximiert.
Zitate und Danksagungen#
Wenn du den COCO-Datensatz für deine Forschung oder Entwicklung verwendest, zitiere bitte die folgende Arbeit:
@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}
}Ein besonderer Dank gilt dem COCO Consortium für seine kontinuierlichen Beiträge zur Computer-Vision-Community.
Häufig gestellte Fragen#
Der Ultralytics-COCO8-Multispectral-Datensatz ist für das schnelle Testen und Debuggen multispektraler Modelle zur Objekterkennung konzipiert. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) eignet er sich ideal, um deine YOLO26-Trainingspipelines zu überprüfen und sicherzustellen, dass alles wie erwartet funktioniert, bevor du auf größere Datensätze umsteigst.
Multispektrale Daten bieten zusätzliche Spektralinformationen über die standardmäßigen RGB-Daten hinaus. So können Modelle Objekte anhand subtiler Unterschiede im Reflexionsvermögen bei verschiedenen Wellenlängen unterscheiden. Dies kann die Erkennungsgenauigkeit verbessern, insbesondere in schwierigen Szenarien wie bei schwachem Licht oder Tarnung.
Ja. COCO8-Multispectral ist mit der Ultralytics Platform und Ultralytics-YOLO-Modellen, einschließlich YOLO26, sowohl für das Training als auch für die Validierung kompatibel.
Ein ausführlicheres Verständnis von Datenaugmentierungsmethoden wie Mosaik und deren Auswirkungen auf die Modellleistung findest du im YOLO-Leitfaden zur Datenaugmentierung und im Ultralytics-Blogbeitrag zur Datenaugmentierung.
Der Datensatz eignet sich gut für Lehrdemonstrationen, das Prototyping neuer Modellarchitekturen und die Überprüfung von Mehrkanal-Pipelines. Mit nur 8 Bildern ist er zu klein für aussagekräftige Benchmarks. Verwende daher einen größeren Datensatz, wenn du repräsentative Kennzahlen benötigst.
Kommentare1
Stell eine Frage, teile deine Ergebnisse oder hilf jemand anderem.
brenoslinhares
Good afternoon.
I reproduced it for detection and it worked normally. However, adapting the COCO8-Multispectral dataset for classification, as well as the .yaml file when loading the model with channels equal to 10 and the dataset root path in data, returns the following error: RuntimeError: Given groups=1, weight of size [16, 10, 3, 3], expected input [4, 3, 640, 640] to have 10 channels, but got 3 channels instead.
Is it possible to use it for classification, including with data augmentation? How would this be possible? Has there been an update for this task?
Thank you in advance.



