COCO8
Einführung
Die Ultralytics COCO8 ist eine erweiterte Variante des ursprünglichen COCO8 , die das Experimentieren mit multispektralen Objekterkennungsmodellen erleichtern soll. Er besteht aus denselben 8 Bildern des COCO train 2017-Satzes - 4 für das Training und 4 für die Validierung -, wobei jedes Bild in ein multispektrales 10-Kanal-Format transformiert wurde. Durch die Erweiterung über die Standard-RGB-Kanäle hinaus ermöglicht COCO8 die Entwicklung und Bewertung von Modellen, die umfangreichere Spektralinformationen nutzen können.
COCO8 ist vollständig kompatibel mit Ultralytics HUB und YOLO11und 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 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
interp1dFunktion 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 wird mithilfe einer YAML-Datei konfiguriert, in der Datensatzpfade, Klassennamen und wichtige Metadaten definiert sind. Sie können sich die offizielle coco8-multispectral.yaml Datei in der Ultralytics GitHub-Repositorys.
ultralyticsyaml
# 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) Bestellung, gespeichert mit .tiff oder .tif Verlängerung, und stellen Sie sicher, dass sie uint8 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 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 .
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 Trainingsstapel aus dem COCO8:
- 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, da sie den Nutzen jedes Bildes beim Training maximiert.
Zitate und Danksagungen
Wenn Sie den COCO in Ihrer Forschung oder Entwicklung verwenden, zitieren Sie bitte das folgende Dokument:
@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 für seine kontinuierlichen Beiträge zur Computer Vision Community.
FAQ
Wofür wird der Ultralytics COCO8 verwendet?
Der Ultralytics COCO8 ist für die schnelle Prüfung und Fehlersuche bei multispektralen Objekterkennungsmodellen konzipiert. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) ist er ideal für die Verifizierung Ihrer YOLO Trainingspipelines zu überprüfen und sicherzustellen, dass alles wie erwartet funktioniert, bevor Sie auf größere Datensätze skalieren. Weitere Datensätze, mit denen Sie experimentieren können, 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 mit den Ultralytics HUB und YOLO kompatibel?
Ja, COCO8 ist vollständig kompatibel mit Ultralytics HUB und allen YOLO , einschließlich dem neuesten YOLO11. So können Sie den Datensatz problemlos in Ihre Trainings- und Validierungsworkflows 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 für Benchmarking- oder Bildungszwecke verwenden?
Auf jeden Fall! Die geringe Größe und der multispektrale Charakter von COCO8 machen es ideal für Benchmarking, Demonstrationen im Bildungsbereich und Prototyping neuer Modellarchitekturen. Weitere Benchmarking-Datensätze finden Sie in der Ultralytics Benchmark Dataset Collection.
