Ensemble de données COCO8-Grayscale
Introduction
L'ensemble de données COCO8-Grayscale d'Ultralytics est un ensemble de données de détection d'objets compact mais puissant, constitué des 8 premières images de l'ensemble COCO train 2017 et converties au format niveaux de gris—4 pour l'entraînement et 4 pour la validation. Cet ensemble de données est spécialement conçu pour les tests rapides, le débogage et l'expérimentation 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 garantit qu'il sert de contrôle de cohérence efficace avant de passer à des ensembles de données plus volumineux.
COCO8-Grayscale est entièrement compatible avec Ultralytics HUB et YOLO11, permettant une intégration transparente dans vos flux de travail de vision par ordinateur.
Jeu de données YAML
La configuration du jeu de données COCO8-Grayscale est définie dans un fichier YAML (Yet Another Markup Language), qui spécifie les chemins d'accès au jeu de données, les noms de classes et d'autres métadonnées essentielles. Vous pouvez consulter le fichier officiel coco8-grayscale.yaml fichier dans le Ultralytics Dépôt GitHub.
Note
Pour entraîner vos images RVB en niveaux de gris, vous pouvez simplement ajouter channels: 1 à votre fichier YAML d'ensemble de données. Cela convertit toutes les images en niveaux de gris pendant l'entraînement, ce qui vous permet d'utiliser les avantages des niveaux de gris sans avoir besoin d'un ensemble de données distinct.
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
Pour entraîner un modèle YOLO11n sur l'ensemble de données COCO8-Grayscale pendant 100 epochs avec une taille d'image de 640, utilisez les exemples suivants. Pour une liste complète des options d'entraînement, consultez la documentation sur l'entraînement YOLO.
Exemple de train
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Exemples d'images et d'annotations
Vous trouverez ci-dessous un exemple de lot d'entraînement en mosaïque provenant de l'ensemble de données COCO8-Grayscale :
- Image en mosaïque : Cette image illustre un lot d'entraînement où plusieurs images de l'ensemble de données sont combinées à l'aide de l'augmentation en mosaïque. L'augmentation en mosaïque accroît la diversité des objets et des scènes au sein de chaque lot, ce qui aide le modèle à mieux généraliser à diverses tailles d'objets, rapports d'aspect et arrière-plans.
Cette technique est particulièrement utile pour les petits ensembles de données comme COCO8-Grayscale, car elle maximise la valeur de chaque image pendant l'entraînement.
Citations et remerciements
Si vous utilisez l'ensemble de données COCO dans votre recherche ou développement, veuillez citer 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}
}
Nous remercions tout particulièrement le COCO Consortium pour sa contribution continue à la communauté de la vision par ordinateur.
FAQ
À quoi sert l'ensemble de données Ultralytics COCO8 en niveaux de gris ?
L'ensemble de données Ultralytics COCO8-Grayscale est conçu pour les tests rapides et le débogage des modèles de détection d'objets. Avec seulement 8 images (4 pour l'entraînement, 4 pour la validation), il est idéal pour vérifier vos pipelines d'entraînement YOLO et s'assurer que tout fonctionne comme prévu avant de passer à des ensembles de données plus volumineux. Explorez la configuration COCO8-Grayscale YAML pour plus de détails.
Comment puis-je entraîner un modèle YOLO11 en utilisant l'ensemble de données COCO8 en niveaux de gris ?
Vous pouvez entraîner un modèle YOLO11 sur COCO8-Grayscale en utilisant Python ou la CLI :
Exemple de train
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Pour des options d'entraînement supplémentaires, consultez la documentation sur l'entraînement YOLO.
Pourquoi devrais-je utiliser Ultralytics HUB pour gérer mon entraînement COCO8 en niveaux de gris ?
Ultralytics HUB rationalise la gestion des ensembles de données, la formation et le déploiement des modèles YOLO, y compris COCO8-Grayscale. Grâce à des fonctionnalités telles que la formation en nuage, la surveillance en temps réel et la gestion intuitive des ensembles de données, HUB vous permet de lancer des expériences en un seul clic et élimine les tracas de la configuration manuelle. Apprenez-en davantage sur Ultralytics HUB et sur la façon dont il peut accélérer vos projets de vision par ordinateur.
Quels sont les avantages de l'utilisation de l'augmentation mosaïque dans l'entraînement avec l'ensemble de données COCO8-Grayscale ?
L'augmentation de mosaïque, telle qu'utilisée dans l'entraînement COCO8-Grayscale, combine plusieurs images en une seule pendant chaque lot. Cela augmente la diversité des objets et des arrière-plans, aidant votre modèle YOLO à mieux généraliser à de nouveaux scénarios. L'augmentation de mosaïque est particulièrement utile pour les petits ensembles de données, car elle maximise les informations disponibles à chaque étape de l'entraînement. Pour plus d'informations à ce sujet, consultez le guide d'entraînement.
Comment puis-je valider mon modèle YOLO11 entraîné sur l'ensemble de données COCO8 en niveaux de gris ?
Pour valider votre modèle YOLO11 après l'entraînement sur COCO8-Grayscale, utilisez les commandes de validation du modèle en Python ou en CLI. Cela évalue les performances de votre modèle à l'aide de métriques standard. Pour des instructions étape par étape, consultez la documentation de validation YOLO.
