Conjunto de datos COCO8-Multispectral#

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

Introducción#

El conjunto de datos COCO8-Multispectral de Ultralytics es una variante avanzada del conjunto de datos COCO8 original, diseñada para facilitar la experimentación con modelos de detección de objetos multiespectrales. Consta de las mismas 8 imágenes del conjunto COCO train 2017 —4 para entrenamiento y 4 para validación—, pero cada imagen se ha transformado a un formato multiespectral de 10 canales. Al ampliar los canales RGB estándar, COCO8-Multispectral permite desarrollar y evaluar modelos capaces de aprovechar una información espectral más rica.

COCO8-Multispectral es totalmente compatible con Ultralytics Platform y YOLO26, lo que garantiza una integración fluida en tus flujos de trabajo de visión por ordenador.

Estructura del dataset#

COCO8-Multispectral comparte las mismas 8 imágenes que COCO8 —4 para entrenamiento y 4 para validación en las 80 clases de objetos de COCO—, pero cada imagen se almacena como un .tiff multiespectral de 10 canales en formato de etiquetas YOLO:

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

Generación del conjunto de datos#

Las imágenes multiespectrales de COCO8-Multispectral se crearon interpolando las imágenes RGB originales en 10 canales espectrales distribuidos uniformemente dentro del espectro visible. El proceso incluye:

• Asignación de longitudes de onda: asignación de longitudes de onda nominales a los canales RGB: rojo: 650 nm, verde: 510 nm, azul: 475 nm.
• Interpolación: uso de interpolación lineal para estimar los valores de píxel en longitudes de onda intermedias entre 450 nm y 700 nm, lo que da como resultado 10 canales espectrales.
• Extrapolación: aplicación de extrapolación lineal para estimar valores más allá de las longitudes de onda RGB originales, garantizando una representación espectral completa.

Este enfoque simula un proceso de captura de imágenes multiespectrales y proporciona un conjunto de datos más diverso para el entrenamiento y la evaluación de modelos. Para obtener más información sobre la captura de imágenes multiespectrales, consulta el artículo de Wikipedia sobre captura de imágenes multiespectrales.

YAML del dataset#

El conjunto de datos COCO8-Multispectral se configura mediante un archivo YAML que define las rutas del conjunto de datos, los nombres de las clases y los metadatos esenciales. Puedes consultar el archivo oficial coco8-multispectral.yaml en el repositorio de Ultralytics en GitHub.

# 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

Uso#

El conjunto de datos COCO8-Multispectral (20,2 MB) se descarga automáticamente la primera vez que inicias el entrenamiento. Para entrenar un modelo YOLO26n con COCO8-Multispectral durante 100 épocas y con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para consultar una lista completa de las opciones de entrenamiento, visita la documentación de entrenamiento de YOLO.

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)

Para obtener más información sobre la selección de modelos y las prácticas recomendadas, consulta la documentación de modelos YOLO de Ultralytics y la guía de consejos para entrenar modelos YOLO.

Imágenes de ejemplo y anotaciones#

A continuación se muestra un ejemplo de un lote de entrenamiento compuesto mediante mosaico del conjunto de datos COCO8-Multispectral:

• Imagen compuesta mediante mosaico: esta imagen muestra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos mediante el uso de aumento mediante mosaico. El aumento mediante mosaico incrementa la diversidad de objetos y escenas de cada lote, lo que ayuda al modelo a generalizar mejor ante distintos tamaños de objetos, relaciones de aspecto y fondos.

Esta técnica resulta especialmente útil para conjuntos de datos pequeños como COCO8-Multispectral, ya que maximiza el aprovechamiento de cada imagen durante el entrenamiento.

Citas y agradecimientos#

Si utilizas el conjunto de datos COCO en tu investigación o desarrollo, 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}
}

Agradecemos especialmente al Consorcio COCO sus continuas contribuciones a la comunidad de visión por ordenador.

Preguntas frecuentes#