Dataset COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

Eight-image multispectral COCO sample for object detection with four train and four validation images, 30 bounding boxes, 80 COCO classes, and genuine 10-channel uint8 TIFF imagery. Derived from COCO imagery and packaged by Ultralytics for multispectral pipeline validation.

80 classes20.3 MBAug 24, 2026

personbicyclecarmotorcycle+76

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. Consiste en las mismas 8 imágenes del conjunto COCO train 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-Multispectral es totalmente compatible con Ultralytics Platform y YOLO26, lo que garantiza una integración perfecta en tus flujos de trabajo de computer vision.

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 el YOLO label format:

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

Generación 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 obtención de imágenes multiespectrales, lo que proporciona un conjunto de datos más diverso para el entrenamiento y la evaluación de modelos. Para obtener más información sobre la obtención de imágenes multiespectrales, consulta el Multispectral Imaging Wikipedia article.

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 revisar el archivo coco8-multispectral.yaml oficial en el Ultralytics GitHub repository.

# 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 en COCO8-Multispectral durante 100 epochs con un tamaño de imagen de 640, utiliza los siguientes ejemplos. Para obtener una lista completa de opciones de entrenamiento, consulta la YOLO Training documentation.

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 prácticas recomendadas, explora la Ultralytics YOLO model documentation y la guía YOLO Model Training Tips guide.

Muestras de imágenes y anotaciones#

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

• Mosaiced Image: Esta imagen muestra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos mediante mosaic augmentation. La aumentación por mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, lo que ayuda a que el modelo se generalice mejor a varios tamaños de objetos, 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.

Citas 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 continuas contribuciones a la computer vision community.

FAQ#