COCO8-Multispektraldatensatz#

8

COCO8 Multispectral

ultralytics

publicDetect

COCO8 Multispectral is an eight-image detection utility with genuine 10-channel uint8 TIFF inputs. Four training and four validation images pair multispectral loading with COCO boxes and the 80-class taxonomy for focused pipeline validation.

80 classes20.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

Einleitung#

Der Ultralytics-Datensatz COCO8-Multispectral ist eine erweiterte Variante des ursprünglichen COCO8-Datensatzes, die für Experimente mit multispektralen Objekterkennungsmodellen entwickelt wurde. Er besteht aus denselben 8 Bildern aus dem COCO-Trainingsdatensatz 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 umfassendere Spektralinformationen nutzen können.

COCO8-Multispectral ist vollständig mit der Ultralytics Platform und YOLO26 kompatibel und gewährleistet dadurch eine nahtlose Integration in deine Arbeitsabläufe für Computer Vision.

Datensatzstruktur#

COCO8-Multispectral enthält dieselben 8 Bilder wie COCO8 – 4 für das Training und 4 für die Validierung über alle 80 COCO-Objektklassen hinweg –, aber jedes Bild wird als multispektrales .tiff im YOLO-Label-Format gespeichert:

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

Generierung des Datensatzes#

Die multispektralen Bilder in COCO8-Multispectral wurden erstellt, indem die ursprünglichen RGB-Bilder über 10 gleichmäßig verteilte Spektralkanäle innerhalb des sichtbaren Spektrums interpoliert wurden. Der Prozess umfasst:

• Zuordnung der Wellenlängen: Zuordnung nominaler Wellenlängen zu den RGB-Kanälen – Rot: 650 nm, Grün: 510 nm, Blau: 475 nm.
• Interpolation: Verwendung einer linearen Interpolation zur Schätzung von Pixelwerten bei Zwischenwellenlängen zwischen 450 nm und 700 nm, wodurch 10 Spektralkanäle entstehen.
• Extrapolation: Anwendung einer linearen Extrapolation zur Schätzung von Werten außerhalb der ursprünglichen RGB-Wellenlängen, um eine vollständige Spektraldarstellung sicherzustellen.

Dieser Ansatz simuliert einen multispektralen Bildgebungsprozess und stellt vielfältigere Daten für das Training und die Bewertung von Modellen bereit. Weitere Informationen zur multispektralen Bildgebung findest du im Wikipedia-Artikel zur multispektralen Bildgebung.

Dataset-YAML#

Der COCO8-Multispectral-Datensatz wird mithilfe einer YAML-Datei konfiguriert, in der Datensatzpfade, Klassennamen und wichtige Metadaten definiert sind. Du kannst die offizielle Datei coco8-multispectral.yaml im Ultralytics-GitHub-Repository einsehen.

# 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

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

Verwendung#

Der COCO8-Multispectral-Datensatz (20,2 MB) wird automatisch heruntergeladen, wenn du das Training zum ersten Mal startest. Um ein YOLO26n-Modell 100 Epochen lang mit einer Bildgröße von 640 auf COCO8-Multispectral zu trainieren, verwende die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen findest du in der YOLO-Trainingsdokumentation.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

Weitere Informationen zur Modellauswahl und zu bewährten Vorgehensweisen findest du in der Ultralytics-YOLO-Modelldokumentation und im Leitfaden mit Tipps zum Training von YOLO-Modellen.

Beispielbilder und Annotationen#

Unten findest du ein Beispiel für einen mosaikartig zusammengesetzten Trainings-Batch aus dem COCO8-Multispectral-Datensatz:

• 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, besser auf verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe zu generalisieren.

Diese Technik ist besonders für kleine Datensätze wie COCO8-Multispectral wertvoll, da sie den Nutzen jedes Bildes während des Trainings maximiert.

Zitate und Danksagungen#

Wenn du den COCO-Datensatz in deiner Forschung oder Entwicklung verwendest, zitiere bitte die folgende Veröffentlichung:

@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-Konsortium für seine fortlaufenden Beiträge zur Computer-Vision-Community.

FAQ#