Empezar

Conjunto de datos COCO8-Multispectral

COCO8 Multispectral preview 1
COCO8 Multispectral preview 2
COCO8 Multispectral preview 3
COCO8 Multispectral preview 4
8
COCO8 Multispectral
ultralytics
PublicDetect

Synthetic multispectral TIFFs made from COCO everyday-scene photos, with object boxes, for testing multi-channel detection pipelines. Created by Ultralytics by interpolating each COCO8 RGB image into 10 evenly spaced bands from 450 to 700 nm, so the extra channels are simulated rather than real sensor data. Source: Lin et al., "Microsoft COCO: Common Objects in Context," ECCV 2014; docs.ultralytics.com/datasets/detect/coco8-multispectral.

80 classes20.3 MBOct 23, 2026
personbicyclecarmotorcycle+76

Introducción#

El conjunto de datos COCO8-Multispectral de Ultralytics es una variante del conjunto de datos COCO8 original para experimentar 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 transforma a un formato multiespectral de 10 canales. Al ir más allá de los canales RGB estándar, COCO8-Multispectral permite desarrollar y evaluar modelos que utilizan información espectral más rica.

Multispectral imaging for object detection

COCO8-Multispectral es compatible con Ultralytics Platform y YOLO26, por lo que puedes usarlo directamente en tus flujos de trabajo de visión artificial.



Ver: Cómo entrenar Ultralytics YOLO con conjuntos de datos en escala de grises y multiespectrales | VisionAI multicanal 🚀

Estructura del conjunto de datos#

COCO8-Multispectral comparte las mismas 8 imágenes que COCO8: 4 para entrenamiento y 4 para validación, etiquetadas con los nombres de las 80 clases de COCO. Sin embargo, 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 calcular los valores de los píxeles en longitudes de onda intermedias entre 450 nm y 700 nm, lo que genera 10 canales espectrales.
  • Extrapolación: Aplicación de extrapolación lineal para calcular los valores fuera de las longitudes de onda RGB originales y garantizar una representación espectral completa.

Este enfoque simula un proceso de obtención de imágenes multiespectrales y proporciona datos más variados para entrenar y evaluar modelos. Para obtener más información sobre la obtención de imágenes multiespectrales, consulta el artículo de Wikipedia sobre imágenes multiespectrales.

YAML del conjunto de datos#

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

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

Prepara tus imágenes TIFF siguiendo el orden (channel, height, width), guárdalas con la extensión .tiff o .tif y asegúrate de que sean uint8 para utilizarlas con Ultralytics:

import cv2
import numpy as np

# Crear y escribir un TIFF de 10 canales
image = np.ones((10, 640, 640), dtype=np.uint8)  # Orden CHW
cv2.imwritemulti("example.tiff", image)

# Leer TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  Orden HWC para entrenamiento e inferencia

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.

Ejemplo de entrenamiento
from ultralytics import YOLO

# Carga un modelo YOLO26n preentrenado
model = YOLO("yolo26n.pt")

# Entrena el modelo con 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 Ultralytics YOLO y la guía de consejos para entrenar modelos YOLO.

Imágenes de muestra y anotaciones#

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

COCO8 multispectral dataset mosaic training batch
  • Imagen con mosaico: esta imagen muestra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos mediante el aumento de datos con mosaico. El aumento de datos con mosaico incrementa la diversidad de objetos y escenas en cada lote, lo que ayuda al modelo a generalizar mejor con distintos tamaños de objetos, relaciones de aspecto y fondos.

Esta técnica es 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 trabajo de investigación o desarrollo, cita el siguiente artículo:

Cita
@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 COCO Consortium sus continuas contribuciones a la comunidad de visión artificial.

Preguntas frecuentes#

  • El conjunto de datos COCO8-Multispectral de Ultralytics está diseñado para probar y depurar rápidamente modelos de detección de objetos multiespectrales. Con solo 8 imágenes (4 para entrenamiento y 4 para validación), es ideal para verificar tus flujos de entrenamiento de YOLO26 y asegurarte de que todo funciona según lo previsto antes de ampliarlos a conjuntos de datos más grandes.

  • Los datos multiespectrales aportan información espectral adicional más allá del RGB estándar, lo que permite a los modelos distinguir objetos según diferencias sutiles de reflectancia en distintas longitudes de onda. Esto puede mejorar la precisión de la detección, especialmente en situaciones difíciles, como con poca luz o camuflaje.

  • Sí. COCO8-Multispectral es compatible con Ultralytics Platform y los modelos Ultralytics YOLO, incluido YOLO26, tanto para el entrenamiento como para la validación.

  • Para comprender mejor métodos de aumento de datos como el mosaico y su impacto en el rendimiento de los modelos, consulta la guía de aumento de datos de YOLO y el artículo del blog de Ultralytics sobre el aumento de datos.

  • Es muy adecuado para demostraciones educativas, la creación de prototipos de nuevas arquitecturas de modelos y la verificación de flujos multicanal. Con solo 8 imágenes, es demasiado pequeño para realizar evaluaciones comparativas significativas, así que utiliza un conjunto de datos más grande cuando necesites métricas representativas.

Comentarios1

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  1. brenoslinharesGitHub

    Good afternoon.

    I reproduced it for detection and it worked normally. However, adapting the COCO8-Multispectral dataset for classification, as well as the .yaml file when loading the model with channels equal to 10 and the dataset root path in data, returns the following error: RuntimeError: Given groups=1, weight of size [16, 10, 3, 3], expected input [4, 3, 640, 640] to have 10 channels, but got 3 channels instead.

    Is it possible to use it for classification, including with data augmentation? How would this be possible? Has there been an update for this task?

    Thank you in advance.