Link to this sectionConjunto de datos COCO8-Grayscale#

Link to this sectionIntroducción#

El dataset COCO8-Grayscale de Ultralytics es un conjunto de datos de object detection compacto pero potente, que consta de las primeras 8 imágenes del set COCO train 2017 convertidas a formato escala de grises: 4 para entrenamiento y 4 para validación. Este dataset está diseñado específicamente para pruebas rápidas, depuración y experimentación con modelos en escala de grises de YOLO y pipelines de entrenamiento. Su pequeño tamaño lo hace muy manejable, mientras que su diversidad garantiza que sirva como una comprobación de integridad eficaz antes de escalar a datasets más grandes.

Link to this sectionEstructura del dataset#

COCO8-Grayscale refleja COCO8—las primeras 8 imágenes del conjunto COCO train 2017, divididas en 4 para entrenamiento y 4 para validación en las 80 clases de objetos COCO—pero cada imagen se almacena como una imagen en escala de grises de un solo canal (channels: 1) en formato de etiqueta YOLO:

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Explora COCO8-Grayscale en Ultralytics Platform para navegar por cada imagen con sus superposiciones de anotaciones, ver la distribución de clases y los mapas de calor de BBox en la pestaña Charts (Gráficos), y clónalo para entrenar tu propio modelo en la nube.

Link to this sectionYAML del dataset#

La configuración del dataset COCO8-Grayscale se define en un archivo YAML, que especifica las rutas del dataset, los nombres de las clases y otros metadatos esenciales. Puedes revisar el archivo oficial coco8-grayscale.yaml en el repositorio de GitHub de Ultralytics.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale ← downloads here (1 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-grayscale # 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)

channels: 1

# 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-grayscale.zip

Link to this sectionUso#

El conjunto de datos COCO8-Grayscale (1 MB) se descarga automáticamente la primera vez que inicias el entrenamiento. Para entrenar un modelo YOLO26n en COCO8-Grayscale durante 100 epochs con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para una lista completa de las opciones de entrenamiento, consulta la documentación de entrenamiento de YOLO.

from ultralytics import YOLO

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

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

Link to this sectionMuestras de imágenes y anotaciones#

A continuación se muestra un ejemplo de un lote de entrenamiento en mosaico del conjunto de datos COCO8-Grayscale:

• Imagen en mosaico: Esta imagen ilustra un lote de entrenamiento donde se combinan varias imágenes del dataset utilizando aumentación de mosaico. La aumentación de mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, ayudando al modelo a generalizar mejor ante diversos tamaños de objeto, relaciones de aspecto y fondos.

Esta técnica es especialmente útil para conjuntos de datos pequeños como COCO8-Grayscale, ya que maximiza el valor de cada imagen durante el entrenamiento.

Link to this sectionCitas y agradecimientos#

Si utilizas el dataset COCO en tu investigación o desarrollo, por favor cita el siguiente artículo:

@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}
}

Un agradecimiento especial al Consorcio COCO por sus continuas contribuciones a la comunidad de visión artificial.

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el conjunto de datos COCO8-Grayscale de Ultralytics?#

El dataset COCO8-Grayscale de Ultralytics está diseñado para pruebas rápidas y la depuración de modelos de object detection. Con solo 8 imágenes (4 para entrenamiento, 4 para validación), es ideal para verificar tus pipelines de entrenamiento de YOLO y asegurarte de que todo funcione como esperas antes de escalar a datasets más grandes. Explora la configuración YAML de COCO8-Grayscale para obtener más detalles.

Link to this section¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos COCO8-Grayscale?#

Puedes entrenar un modelo YOLO26 en COCO8-Grayscale utilizando Python o la CLI:

from ultralytics import YOLO

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

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

Para opciones de entrenamiento adicionales, consulta la documentación de entrenamiento de YOLO.

Link to this section¿Cuáles son las ventajas de usar la aumentación de mosaico en el entrenamiento con el conjunto de datos COCO8-Grayscale?#

La aumentación Mosaic, tal como se utiliza en el entrenamiento con COCO8-Grayscale, combina múltiples imágenes en una durante cada lote. Esto aumenta la diversidad de objetos y fondos, ayudando a que tu modelo YOLO generalice mejor en nuevos escenarios. La aumentación Mosaic es especialmente valiosa para datasets pequeños, ya que maximiza la información disponible en cada paso de entrenamiento. Para más información al respecto, consulta la guía de entrenamiento.

Link to this section¿Cómo puedo validar mi modelo YOLO26 entrenado con el conjunto de datos COCO8-Grayscale?#

Para validar tu modelo YOLO26 después de entrenarlo con COCO8-Grayscale, utiliza los comandos de validación del modelo, ya sea en Python o en la CLI. Esto evalúa el rendimiento de tu modelo utilizando métricas estándar. Para obtener instrucciones paso a paso, visita la documentación de validación de YOLO.