Zum Inhalt springen

COCO8-Multispektraler Datensatz

Einführung

Der Ultralytics COCO8-Multispektral-Datensatz ist eine fortschrittliche Variante des ursprünglichen COCO8-Datensatzes, die entwickelt wurde, um das Experimentieren mit multispektralen Objekterkennungsmodellen zu erleichtern. Er besteht aus den gleichen 8 Bildern aus dem COCO-Trainingssatz 2017—4 für das Training und 4 für die Validierung—aber jedes Bild wurde in ein 10-Kanal-Multispektralformat umgewandelt. Durch die Erweiterung über die Standard-RGB-Kanäle hinaus ermöglicht COCO8-Multispektral die Entwicklung und Bewertung von Modellen, die reichhaltigere Spektralinformationen nutzen können.

Überblick über multispektrale Bildgebung

COCO8-Multispektral ist vollständig kompatibel mit Ultralytics HUB und YOLO11 und gewährleistet eine nahtlose Integration in Ihre Computer-Vision-Workflows.



Ansehen: So trainieren Sie Ultralytics YOLO11 auf multispektralen Datensätzen | Multi-Channel VisionAI 🚀

Dataset-Generierung

Die multispektralen Bilder in COCO8-Multispectral wurden durch Interpolation der ursprünglichen RGB-Bilder über 10 gleichmäßig verteilte Spektralkanäle innerhalb des sichtbaren Spektrums erstellt. Der Prozess umfasst:

  • Wellenlängenzuordnung: Zuweisen von nominalen Wellenlängen zu den RGB-Kanälen – Rot: 650 nm, Grün: 510 nm, Blau: 475 nm.
  • Interpolation: Verwendung linearer Interpolation zur Schätzung von Pixelwerten bei Zwischenwellenlängen zwischen 450 nm und 700 nm, was zu 10 Spektralkanälen führt.
  • Extrapolation: Anwenden von Extrapolation mit SciPys interp1d Funktion zur Schätzung von Werten jenseits der ursprünglichen RGB-Wellenlängen, um eine vollständige spektrale Darstellung zu gewährleisten.

Dieser Ansatz simuliert einen multispektralen Bildgebungsprozess und bietet einen vielfältigeren Datensatz für das Modelltraining und die -evaluierung. Für weitere Informationen zur multispektralen Bildgebung lesen Sie den Wikipedia-Artikel über multispektrale Bildgebung.

Datensatz-YAML

Der COCO8-Multispektral-Datensatz wird mit einer YAML-Datei konfiguriert, die Datensatzpfade, Klassennamen und wichtige Metadaten definiert. Sie können die offizielle Datei einsehen coco8-multispectral.yaml Datei in der Ultralytics GitHub-Repositorys.

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

Hinweis

Bereiten Sie Ihre TIFF-Bilder vor in (channel, height, width) Reihenfolge und gespeichert mit .tiff oder .tif Erweiterung zur Verwendung mit 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

Nutzung

Um ein YOLO11n-Modell auf dem COCO8-Multispectral-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Beispiele. Eine umfassende 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-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

Weitere Informationen zur Modellauswahl und zu Best Practices finden Sie in der Ultralytics YOLO-Modelldokumentation und im Leitfaden zu YOLO-Modelltrainings-Tipps.

sample_images und Anmerkungen

Nachfolgend sehen Sie ein Beispiel für einen mosaikartigen Trainings-Batch aus dem COCO8-Multispektral-Datensatz:

Beispielbild des Datensatzes

  • Mosaikbild: Dieses Bild zeigt einen Trainings-Batch, in dem mehrere Datensatzbilder mithilfe von Mosaik-Augmentierung kombiniert werden. Die Mosaik-Augmentierung erhöht die Vielfalt der Objekte und Szenen innerhalb jedes Batches und hilft dem Modell, sich besser an 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 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-Multispektral-Datensatz verwendet?

Der Ultralytics COCO8-Multispektral-Datensatz ist für schnelle Tests und das Debuggen von multispektralen 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. Weitere Datensätze zum Experimentieren finden Sie im Ultralytics Datasets Catalog.

Wie verbessert Multispektrale Datenerfassung die Objekterkennung?

Multispektrale Daten liefern zusätzliche spektrale Informationen über das Standard-RGB hinaus und ermöglichen es Modellen, Objekte anhand subtiler Unterschiede in der Reflexion über verschiedene Wellenlängen hinweg zu unterscheiden. Dies kann die Erkennungsgenauigkeit verbessern, insbesondere in schwierigen Szenarien. Erfahren Sie mehr über multispektrale Bildgebung und ihre Anwendungen in der fortgeschrittenen Computer Vision.

Ist COCO8-Multispectral mit Ultralytics HUB- und YOLO-Modellen kompatibel?

Ja, COCO8-Multispectral ist vollständig kompatibel mit Ultralytics HUB und allen YOLO-Modellen, einschließlich des neuesten YOLO11. Dadurch können Sie das Dataset problemlos in Ihre Trainings- und Validierungsabläufe integrieren.

Wo finde ich weitere Informationen zu Datenaugmentierungstechniken?

Für ein tieferes Verständnis von Datenaugmentierungsmethoden wie Mosaic und deren Auswirkungen auf die Modellleistung lesen Sie bitte den YOLO Data Augmentation Guide und den Ultralytics Blog on Data Augmentation.

Kann ich COCO8-Multispectral für Benchmarking oder Schulungszwecke verwenden?

Absolut! Die geringe Größe und der multispektrale Charakter von COCO8-Multispectral machen es ideal für Benchmarking, Lehrdemonstrationen und Prototyping neuer Modellarchitekturen. Weitere Benchmarking-Datensätze finden Sie in der Ultralytics Benchmark Dataset Collection.



📅 Erstellt vor 4 Monaten ✏️ Aktualisiert vor 21 Tagen

Kommentare