Conjunto de datos COCO8-Multiespectral
Introducción
El conjunto de datos COCO8-Multispectral de Ultralytics es una variante avanzada del conjunto de datos COCO8 original, diseñado para facilitar la experimentación con modelos de detección de objetos multiespectrales. Consta de las mismas 8 imágenes del conjunto de entrenamiento COCO 2017 (4 para entrenamiento y 4 para validación), pero con cada imagen transformada en 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-Multiespectral es totalmente compatible con Ultralytics HUB y YOLO11, lo que garantiza una integración perfecta en sus flujos de trabajo de visión artificial.
Ver: Cómo entrenar Ultralytics YOLO11 en conjuntos de datos multiespectrales | Multi-Channel VisionAI 🚀
Generación de conjuntos de datos
Las imágenes multiespectrales en COCO8-Multispectral se crearon interpolando las imágenes RGB originales a través de 10 canales espectrales espaciados uniformemente 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 la interpolación lineal para estimar los valores de los píxeles en longitudes de onda intermedias entre 450 nm y 700 nm, lo que da como resultado 10 canales espectrales.
- Extrapolación: Aplicando extrapolación con SciPy's
interp1d
función para estimar valores más allá de las longitudes de onda RGB originales, lo que garantiza 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 del modelo. Para obtener más información sobre la imagen multiespectral, consulte el artículo de Wikipedia sobre imagen multiespectral.
YAML del conjunto de datos
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 revisar el archivo oficial coco8-multispectral.yaml
archivo en el repositorio de Ultralytics en GitHub.
ultralytics/cfg/datasets/coco8-multispectral.yaml
# 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
Nota
Prepare sus imágenes TIFF en (channel, height, width)
orden y guardado con .tiff
o .tif
extensión para usar con Ultralytics:
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
Para entrenar un modelo YOLO11n en el conjunto de datos COCO8-Multispectral durante 100 epochs con un tamaño de imagen de 640, utilice los siguientes ejemplos. Para obtener una lista completa de las opciones de entrenamiento, consulte la documentación de entrenamiento de YOLO.
Ejemplo de entrenamiento
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
Para obtener más detalles sobre la selección de modelos y las mejores prácticas, explore la documentación del modelo YOLO de Ultralytics y la guía de consejos para el entrenamiento de modelos YOLO.
sample_images y anotaciones
A continuación, se muestra un ejemplo de un lote de entrenamiento en mosaico del conjunto de datos COCO8-Multispectral:
- Imagen en mosaico: Esta imagen muestra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos mediante el aumento de mosaico. El aumento de mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, lo que ayuda al modelo a generalizar mejor a varios tamaños de objeto, relaciones de aspecto y fondos.
Esta técnica es especialmente valiosa para conjuntos de datos pequeños como COCO8-Multispectral, ya que maximiza la utilidad de cada imagen durante el entrenamiento.
Citas y agradecimientos
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 Consorcio COCO por sus continuas contribuciones a la comunidad de visión artificial.
Preguntas frecuentes
¿Para qué se utiliza el conjunto de datos COCO8-Multispectral de Ultralytics?
El dataset COCO8-Multispectral de Ultralytics está diseñado para pruebas rápidas 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 YOLO y asegurar que todo funcione como se espera antes de escalar a datasets más grandes. Para más datasets con los que experimentar, visita el Catálogo de Datasets de Ultralytics.
¿Cómo mejoran la detección de objetos los datos multiespectrales?
Los datos multiespectrales proporcionan información espectral adicional más allá del RGB estándar, lo que permite a los modelos distinguir objetos basándose en sutiles diferencias en la reflectancia a través de las longitudes de onda. Esto puede mejorar la precisión de la detección, especialmente en escenarios desafiantes. Obtenga más información sobre imágenes multiespectrales y sus aplicaciones en visión artificial avanzada.
¿Es COCO8-Multispectral compatible con Ultralytics HUB y los modelos YOLO?
Sí, COCO8-Multispectral es totalmente compatible con Ultralytics HUB y todos los modelos YOLO, incluido el último YOLO11. Esto le permite integrar fácilmente el conjunto de datos en sus flujos de trabajo de entrenamiento y validación.
¿Dónde puedo encontrar más información sobre técnicas de aumento de datos?
Para una comprensión más profunda de los métodos de aumento de datos, como el mosaico, y su impacto en el rendimiento del modelo, consulte la Guía de Aumento de Datos YOLO y el Blog de Ultralytics sobre Aumento de Datos.
¿Puedo utilizar COCO8-Multispectral para pruebas comparativas o fines educativos?
¡Absolutamente! El pequeño tamaño y la naturaleza multiespectral de COCO8-Multispectral lo hacen ideal para la evaluación comparativa, las demostraciones educativas y la creación de prototipos de nuevas arquitecturas de modelos. Para obtener más conjuntos de datos de evaluación comparativa, consulte la Ultralytics Benchmark Dataset Collection.