COCO8-Multispektraldatensatz

Einführung

Die Ultralytics COCO8-Multispectral-Datensatz ist eine erweiterte Variante des ursprünglichen COCO8-Datensatzes, 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-Multispectral die Entwicklung und Bewertung von Modellen, die umfangreichere Spektralinformationen nutzen können.

COCO8-Multispectral ist vollständig kompatibel mit Ultralytics HUB und YOLO11und gewährleistet eine nahtlose Integration in Ihre Computer Vision Workflows.

Erstellung von Datensätzen

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

• Wellenlängen-Zuordnung: Zuweisung der nominalen Wellenlängen zu den RGB-Kanälen - Rot: 650 nm, Grün: 510 nm, Blau: 475 nm.
• Interpolation: Lineare Interpolation zur Schätzung der Pixelwerte bei Zwischenwellenlängen zwischen 450 nm und 700 nm, was zu 10 Spektralkanälen führt.
• Extrapolation: Anwendung der Extrapolation mit SciPy's interp1d Funktion, um Werte jenseits der ursprünglichen RGB-Wellenlängen zu schätzen und so eine vollständige spektrale Darstellung zu gewährleisten.

Dieser Ansatz simuliert einen multispektralen Bildgebungsprozess, der einen vielfältigeren Datensatz für die Modellschulung und -bewertung liefert. Weitere Informationen zur multispektralen Bildgebung finden Sie im Wikipedia-Artikel Multispektrale Bildgebung.

Datensatz YAML

Der COCO8-Multispectral-Datensatz 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-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: ../datasets/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

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 .

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 Einzelheiten zur Modellauswahl und zu bewährten Verfahren finden Sie in der Ultralytics YOLO und im LeitfadenYOLO Model Training Tips.

Beispielbilder und -kommentare

Nachfolgend sehen Sie ein Beispiel für einen mosaikartigen Trainingsstapel aus dem COCO8-Multispektraldatensatz:

• Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, bei dem mehrere Bilder des Datensatzes durch Mosaikvergrößerung kombiniert wurden. Die Mosaikvergrößerung erhöht die Vielfalt der Objekte und Szenen in jedem Stapel und hilft dem Modell, sich besser an verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe anzupassen.

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

Zitate und Danksagungen

Wenn Sie den COCO-Datensatz in Ihrer Forschung oder Entwicklung verwenden, zitieren Sie bitte das folgende Papier:

@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 geht an das COCO-Konsortium für seine kontinuierlichen Beiträge zur Computer Vision Community.

FAQ

Wofür wird der Ultralytics COCO8-Multispektraldatensatz verwendet?

Der Ultralytics COCO8-Multispectral-Datensatz 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 können multispektrale Daten die Objekterkennung verbessern?

Multispektrale Daten liefern zusätzliche spektrale Informationen, die über das Standard-RGB hinausgehen, und ermöglichen es den Modellen, Objekte auf der Grundlage subtiler Unterschiede im Reflexionsgrad zwischen den Wellenlängen zu unterscheiden. Dies kann die Erkennungsgenauigkeit verbessern, insbesondere in schwierigen Szenarien. Erfahren Sie mehr über die multispektrale Bildgebung und ihre Anwendungen in der modernen Computer Vision.

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

Ja, COCO8-Multispectral 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 kann ich weitere Informationen über Datenerweiterungstechniken finden?

Ein tieferes Verständnis von Datenerweiterungsmethoden wie Mosaik und deren Auswirkungen auf die Modellleistung finden Sie im YOLO Data Augmentation Guide und im Ultralytics Blog on Data Augmentation.

Kann ich COCO8-Multispectral für Benchmarking- oder Bildungszwecke verwenden?

Auf jeden Fall! Die geringe Größe und der multispektrale Charakter von COCO8-Multispectral machen es ideal für Benchmarking, Demonstrationen im Bildungsbereich und Prototyping neuer Modellarchitekturen. Weitere Benchmarking-Datensätze finden Sie in der Ultralytics Benchmark Dataset Collection.

📅 Erstellt vor 1 Monat ✏️ Aktualisiert vor 29 Tagen

Kommentare