Commencer

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.

Remarque

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/cfg/datasets/coco8-grayscale.yaml
# 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.zip

Utilisation#

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.

Exemple d’entraînement
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 :

COCO8 grayscale dataset mosaic training batch
  • 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 :

Citation
@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’entraînement
    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)

    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.

  1. shkim-lpGitHub

    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!

    1. Glenn JocherUltralytics

      There’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()
      1
    2. Glenn JocherUltralytics

      Glad it helped—if you end up training a channels: 1 model you can usually skip GRAY2BGR and 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).

  2. zjjzengGitHub

    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?

    1. Glenn JocherUltralytics

      Great 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.