Link to this sectionDataset COCO8-Multispectral#

Link to this sectionIntroducción#

El dataset COCO8-Multispectral de Ultralytics es una variante avanzada del dataset 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 ha sido transformada a un formato multiespectral de 10 canales. Al expandirse más allá de los canales RGB estándar, COCO8-Multispectral permite el desarrollo y la evaluación de modelos que pueden aprovechar 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 computer vision.

Link to this sectionGeneración del dataset#

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

• Asignación de longitud 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 valores de píxeles en longitudes de onda intermedias entre 450 nm y 700 nm, resultando en 10 canales espectrales.
• Extrapolación: Aplica la extrapolación lineal para estimar valores más allá de las longitudes de onda RGB originales, asegurando una representación espectral completa.

Este enfoque simula un proceso de imagen multiespectral, proporcionando un conjunto de datos más diverso para el entrenamiento y la evaluación de modelos. Para más información sobre imagen multiespectral, consulta el artículo de Wikipedia sobre imagen multiespectral.

Link to this sectionYAML del dataset#

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

# 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

Link to this sectionUso#

Para entrenar un modelo YOLO26n en el dataset COCO8-Multispectral durante 100 epochs con un tamaño de imagen de 640, usa los siguientes ejemplos. Para obtener una lista completa de 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-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

Para obtener más detalles sobre la selección de modelos y las mejores prácticas, explora la documentación del modelo YOLO de Ultralytics y la guía de consejos de entrenamiento de modelos YOLO.

Link to this sectionMuestras de imágenes y anotaciones#

A continuación se muestra un ejemplo de un lote de entrenamiento en mosaico del dataset COCO8-Multispectral:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento donde se combinan múltiples imágenes del conjunto de datos mediante 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 valiosa para datasets pequeños como COCO8-Multispectral, ya que maximiza la utilidad 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 COCO Consortium por sus contribuciones continuas a la comunidad de computer vision.

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el dataset COCO8-Multispectral de Ultralytics?#

El conjunto de datos COCO8-Multispectral de Ultralytics está diseñado para la prueba rápida y depuración de modelos de detección de objetos multiespectrales. Con solo 8 imágenes (4 para entrenamiento, 4 para validación), es ideal para verificar tus pipelines de entrenamiento de YOLO26 y asegurar que todo funcione como esperas antes de escalar a conjuntos de datos más grandes. Para ver más conjuntos de datos con los que experimentar, visita el Catálogo de conjuntos de datos de Ultralytics.

Link to this section¿Cómo mejora la detección de objetos los datos multiespectrales?#

Los datos multiespectrales proporcionan información espectral adicional más allá del RGB estándar, permitiendo a los modelos distinguir objetos basándose en diferencias sutiles en la reflectancia a través de las longitudes de onda. Esto puede mejorar la precisión de la detección, especialmente en escenarios desafiantes. Aprende más sobre la imagen multiespectral y sus aplicaciones en computer vision avanzada.

Link to this section¿Es COCO8-Multispectral compatible con Ultralytics Platform y los modelos YOLO?#

Sí, COCO8-Multispectral es totalmente compatible con Ultralytics Platform y todos los modelos YOLO, incluido el último YOLO26. Esto te permite integrar fácilmente el dataset en tus flujos de trabajo de entrenamiento y validación.

Link to this section¿Dónde puedo encontrar más información sobre técnicas de aumento de datos?#

Para una comprensión más profunda de los métodos de aumentación de datos como el mosaico y su impacto en el rendimiento del modelo, consulta la Guía de aumentación de datos YOLO y el Blog de Ultralytics sobre aumentación de datos.

Link to this section¿Puedo utilizar COCO8-Multispectral para benchmarking o con fines educativos?#

¡Absolutamente! El tamaño pequeño y la naturaleza multiespectral de COCO8-Multispectral lo hacen ideal para benchmarking, demostraciones educativas y prototipado de nuevas arquitecturas de modelos. Para ver más conjuntos de datos de benchmarking, consulta la Colección de conjuntos de datos de referencia de Ultralytics.