Conjunto de datos COCO8-Grayscale
Introducción
El conjunto de datos COCO8-Grayscale de Ultralytics es un conjunto de datos compacto pero potente para object detection, que consta de las 8 primeras imágenes del conjunto COCO train 2017 convertidas a formato de escala de grises: 4 para entrenamiento y 4 para validación. Este conjunto de datos está diseñado específicamente para pruebas rápidas, depuración y experimentación con modelos YOLO en escala de grises y tuberías de entrenamiento. Su pequeño tamaño lo hace muy manejable, mientras que su diversidad asegura que sirva como una comprobación de integridad eficaz antes de escalar a conjuntos de datos mayores.
Watch: How to Train Ultralytics YOLO26 on Grayscale Datasets 🚀
COCO8-Grayscale es totalmente compatible con Ultralytics Platform y YOLO26, lo que permite una integración perfecta en tus flujos de trabajo de visión artificial.
YAML del conjunto de datos
La configuración del conjunto de datos COCO8-Grayscale se define en un archivo YAML (Yet Another Markup Language), el cual especifica las rutas del conjunto de datos, los nombres de las clases y otros metadatos esenciales. Puedes revisar el archivo oficial coco8-grayscale.yaml en el repositorio de GitHub de Ultralytics.
Para entrenar tus imágenes RGB en escala de grises, puedes simplemente añadir channels: 1 a tu archivo YAML del conjunto de datos. Esto convierte todas las imágenes a escala de grises durante el entrenamiento, permitiéndote utilizar los beneficios de la escala de grises sin necesidad de un conjunto de datos separado.
# 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.zipUso
Para entrenar un modelo YOLO26n en el conjunto de datos COCO8-Grayscale durante 100 epochs con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para obtener 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)Imágenes y anotaciones de muestra
A continuación se muestra un ejemplo de un lote de entrenamiento con mosaico del conjunto de datos COCO8-Grayscale:
- Imagen en mosaico: Esta imagen ilustra un lote de entrenamiento donde se combinan varias imágenes del conjunto de datos mediante aumento de mosaico. El aumento de mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, ayudando al modelo a generalizar mejor a varios tamaños de objetos, 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.
Citas y reconocimientos
Si utilizas el conjunto de datos 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 COCO Consortium por sus continuas contribuciones a la comunidad de visión artificial.
Preguntas frecuentes
¿Para qué se utiliza el conjunto de datos COCO8-Grayscale de Ultralytics?
El conjunto de datos COCO8-Grayscale de Ultralytics está diseñado para la realización rápida de pruebas y la depuración de modelos de object detection. Con solo 8 imágenes (4 para entrenamiento y 4 para validación), es ideal para verificar tus tuberías de entrenamiento YOLO y asegurar que todo funcione según lo esperado antes de escalar a conjuntos de datos mayores. Explora la configuración YAML de COCO8-Grayscale para más detalles.
¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos COCO8-Grayscale?
Puedes entrenar un modelo YOLO26 en COCO8-Grayscale usando 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 obtener opciones de entrenamiento adicionales, consulta la documentación de entrenamiento de YOLO.
¿Por qué debería usar Ultralytics Platform para gestionar mi entrenamiento con COCO8-Grayscale?
Ultralytics Platform agiliza la gestión, el entrenamiento y el despliegue de conjuntos de datos para modelos YOLO, incluyendo COCO8-Grayscale. Con funciones como entrenamiento en la nube, monitoreo en tiempo real y gestión intuitiva de conjuntos de datos, HUB te permite lanzar experimentos con un solo clic y elimina las complicaciones de la configuración manual. Aprende más sobre Ultralytics Platform y cómo puede acelerar tus proyectos de visión artificial.
¿Cuáles son los beneficios de utilizar la aumentación Mosaic en el entrenamiento con el conjunto de datos COCO8-Grayscale?
La aumentación Mosaic, tal como se utiliza en el entrenamiento de COCO8-Grayscale, combina múltiples imágenes en una sola durante cada lote. Esto aumenta la diversidad de objetos y fondos, ayudando a tu modelo YOLO a generalizar mejor ante nuevos escenarios. La aumentación Mosaic es especialmente valiosa para conjuntos de datos pequeños, ya que maximiza la información disponible en cada paso del entrenamiento. Para más información, consulta la guía de entrenamiento.
¿Cómo puedo validar mi modelo YOLO26 entrenado con el conjunto de datos COCO8-Grayscale?
Para validar tu modelo YOLO26 tras el entrenamiento 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.