Jeu de données COCO8-Grayscale
Introduction#
Le jeu de données COCO8-Grayscale d'Ultralytics est un jeu de données compact de détection d'objets, composé des 8 premières images de l'ensemble COCO train 2017, converties en niveaux de gris : 4 pour l'entraînement et 4 pour la validation. Ce jeu de données est spécialement conçu pour tester, déboguer et expérimenter rapidement avec les modèles YOLO en niveaux de gris et les pipelines d'entraînement. Sa petite taille le rend très facile à gérer, tandis que sa diversité en fait un test de cohérence efficace avant de passer à des jeux de données plus grands.
Regarder : Comment entraîner Ultralytics YOLO sur des jeux de données en niveaux de gris et multispectraux | VisionAI multicanal 🚀
Structure du jeu de données#
COCO8-Grayscale reprend les mêmes images que COCO8 — les 8 premières images du jeu COCO train 2017, réparties entre l’entraînement (4) et la validation (4), et annotées avec les 80 noms de classes COCO — mais chaque image est stockée en niveaux de gris sur un seul canal (channels: 1), au format d’annotation YOLO :
coco8-grayscale/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── labels/
├── train/
└── val/Explore COCO8-Grayscale sur Ultralytics Platform pour parcourir chaque image avec ses superpositions d’annotations, consulter la distribution des classes et les cartes thermiques des boîtes englobantes dans l’onglet Graphiques, puis cloner le jeu de données pour entraîner ton propre modèle dans le cloud.
Fichier YAML du jeu de données#
La configuration du jeu de données COCO8-Grayscale est définie dans un fichier YAML qui spécifie les chemins d’accès, les noms de classes et d’autres métadonnées essentielles. Tu peux consulter le fichier officiel coco8-grayscale.yaml dans le dépôt GitHub d’Ultralytics.
Pour entraîner le modèle sur des images RGB en niveaux de gris, ajoute channels: 1 au fichier YAML de ton jeu de données. Cela convertit toutes les images en niveaux de gris pendant l'entraînement ; tu n'as donc pas besoin d'un jeu de données distinct en niveaux de gris.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-grayscale ← downloads here (1 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-grayscale # 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)
channels: 1
# 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-grayscale.zipUtilisation#
Le jeu de données COCO8-Grayscale (1 MB) est téléchargé automatiquement au premier lancement de l’entraînement. Pour entraîner un modèle YOLO26n sur COCO8-Grayscale pendant 100 époques, avec une taille d’image de 640, utilise les exemples suivants.
from ultralytics import YOLO
# Charger un modèle YOLO26n préentraîné
model = YOLO("yolo26n.pt")
# Entraîner le modèle sur COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)Exemples d’images et annotations#
Voici un exemple de lot d’entraînement en mosaïque provenant du jeu de données COCO8-Grayscale :
- Image mosaïquée : cette image illustre un lot d'entraînement dans lequel plusieurs images du jeu de données sont combinées par augmentation mosaïque. L'augmentation mosaïque accroît la diversité des objets et des scènes dans chaque lot, aidant le modèle à mieux généraliser à différentes tailles d'objets, proportions et arrière-plans.
Cette technique est particulièrement utile pour les petits jeux de données comme COCO8-Grayscale, car elle maximise l’intérêt de chaque image pendant l’entraînement.
Citations et remerciements#
Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, cite l’article suivant :
@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 grand merci au consortium COCO pour ses contributions continues à la communauté de la vision par ordinateur.
FAQ#
Le jeu de données Ultralytics COCO8-Grayscale est conçu pour tester et déboguer rapidement les modèles de détection d’objets. Avec seulement 8 images (4 pour l’entraînement et 4 pour la validation), il est idéal pour vérifier tes pipelines d’entraînement YOLO et t’assurer que tout fonctionne comme prévu avant de passer à des jeux de données plus volumineux.
Tu peux entraîner un modèle YOLO26 sur COCO8-Grayscale avec Python ou la CLI :
Exemple d’entraînementfrom ultralytics import YOLO # Charger un modèle YOLO26n préentraîné model = YOLO("yolo26n.pt") # Entraîner le modèle sur COCO8-Grayscale results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)Pour découvrir d’autres options d’entraînement, consulte la documentation sur l’entraînement YOLO.
L’augmentation Mosaic, utilisée lors de l’entraînement sur COCO8-Grayscale, combine plusieurs images en une seule à chaque lot. Elle accroît la diversité des objets et des arrière-plans, ce qui aide ton modèle YOLO à mieux généraliser à de nouveaux scénarios. L’augmentation Mosaic est particulièrement utile pour les petits jeux de données, car elle maximise les informations disponibles à chaque étape d’entraînement.
Pour valider ton modèle YOLO26 après l’avoir entraîné sur COCO8-Grayscale, utilise les commandes de validation du modèle avec Python ou la CLI. Elles évaluent les performances du modèle à l’aide de métriques standard. Pour obtenir des instructions détaillées étape par étape, consulte la documentation sur la validation YOLO.
Commentaires7
Pose une question, partage tes résultats ou aide quelqu’un d’autre.
arfan1181
Finally
1shkim-lp
Dear Ultralytics, Hello. I am a learner and a user of Ultralytics-YOLO Software. I am writing this post to ask questions about tracking Livestream color videos in grayscale.
At the moment, I am using Ultralytics for Classification/Segmentation/Tracking of my Livestream video. My livestream video contains 4 different types of connectors, which are moved by robots.
I have used the software well so far to classify/segment/track the 4 connectors in Livestream color video I tracked the Livestream video with
results = model.track(source="0", show=Trune, save=True), which displayed live results with "0" window. I was happy with the result.Now, I want to test the performance for a real scenario, where the Livestream camera will aceept only B/W images (The equipment has not been installed yet and I am trying to emulate future situation). I learned how to train models in B/W images with simple addition of channels = 1 . However, I still don't know how to track a Livestream video (where images are imported in color) in B/W scales and output them in B/W in "0" window.
Would there be an easy method to invoke results = model.track(source="0", show=Ture, save=True) , but classify/segment/track in B/W scale and output them in B/W as well?Thank you for your assistance!
Glenn JocherUltralyticsThere’s no built-in switch in
model.track(source=0, ...)to force grayscale preprocessing for a webcam stream, so the simplest way to emulate a B/W camera is to read frames with OpenCV, convert to grayscale, then replicate back to 3 channels (GRAY2BGR) so it works with any YOLO model, and display/save the result (training-side grayscale is covered on the COCO8-Grayscale dataset page).import cv2 from ultralytics import YOLO model = YOLO("best.pt") # your det/seg model cap = cv2.VideoCapture(0) while True: ok, frame = cap.read() if not ok: break gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) frame_bw3 = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR) # BW content, kept 3-channel results = model.track(source=frame_bw3, persist=True, verbose=False) annotated = results[0].plot() # BGR annotated_gray = cv2.cvtColor(annotated, cv2.COLOR_BGR2GRAY) cv2.imshow("0", annotated_gray) if cv2.waitKey(1) == 27: # ESC to quit break cap.release() cv2.destroyAllWindows()1shkim-lp
Thank you for such a prompt and precise answer!
Glenn JocherUltralyticsGlad it helped—if you end up training a
channels: 1model you can usually skipGRAY2BGRand feed the grayscale frame directly as(H, W)or(H, W, 1)(the loader will expand 2D grayscale to 1 channel), and feel free to drop any follow-up questions here so the Ultralytics team sees them (see the COCO8-Grayscale dataset docs).
zjjzeng
Hello, I did not notice this page before, so I trained my model on default rgb 3 channels and then predicted. Actually, all my native dataset images are gray images, I used a numpy operation to manually transfer it before training. I wonder that if I change channels to 1, will I be able to gain any improvements on my model. And do I need to modify both data.yaml and my customized yolo11n.yaml, right?
Glenn JocherUltralyticsGreat question—set channels: 1 in your dataset YAML and train; you don’t need to modify your custom yolo11n.yaml as the model’s first layer adapts automatically; if you previously replicated grayscale to 3 channels, accuracy differences are usually small while 1-channel can save memory, so a quick A/B run is the best way to confirm; for more on multi-channel handling, see the COCO8-Multispectral dataset page.



