Erste Schritte

COCO8-Multispectral-Datensatz

COCO8 Multispectral preview 1
COCO8 Multispectral preview 2
COCO8 Multispectral preview 3
COCO8 Multispectral preview 4
8
COCO8 Multispectral
ultralytics
PublicDetect

Synthetic multispectral TIFFs made from COCO everyday-scene photos, with object boxes, for testing multi-channel detection pipelines. Created by Ultralytics by interpolating each COCO8 RGB image into 10 evenly spaced bands from 450 to 700 nm, so the extra channels are simulated rather than real sensor data. Source: Lin et al., "Microsoft COCO: Common Objects in Context," ECCV 2014; docs.ultralytics.com/datasets/detect/coco8-multispectral.

80 classes20.3 MBOct 23, 2026
personbicyclecarmotorcycle+76

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.

Multispectral imaging for object detection

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/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

Bereite 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 Inferenz

Verwendung#

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.

Trainingsbeispiel
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:

COCO8 multispectral dataset mosaic training batch
  • 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:

Zitierung
@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.

  1. brenoslinharesGitHub

    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.