Passer au contenu

Ensemble de données COCO8-Multispectral

Introduction

L'ensemble de données COCO8-Multispectral d'Ultralytics est une variante avancée de l'ensemble de données COCO8 original, conçue pour faciliter l'expérimentation avec les modèles de détection d'objets multispectraux. Il est constitué des mêmes 8 images de l'ensemble COCO train 2017—4 pour l'entraînement et 4 pour la validation—mais avec chaque image transformée en un format multispectral à 10 canaux. En s'étendant au-delà des canaux RVB standard, COCO8-Multispectral permet le développement et l'évaluation de modèles capables d'exploiter des informations spectrales plus riches.

Aperçu de l'imagerie multispectrale

COCO8-Multispectral est entièrement compatible avec Ultralytics HUB et YOLO11, assurant une intégration transparente dans vos flux de travail de vision par ordinateur.



Regarder : Comment entraîner Ultralytics YOLO11 sur des ensembles de données multispectraux | Vision artificielle multicanal 🚀

Génération d’ensembles de données

Les images multispectrales de COCO8-Multispectral ont été créées en interpolant les images RGB originales sur 10 canaux spectraux uniformément espacés dans le spectre visible. Le processus comprend :

  • Attribution de longueur d'onde : Attribution de longueurs d'onde nominales aux canaux RVB : Rouge : 650 nm, Vert : 510 nm, Bleu : 475 nm.
  • Interpolation : Utilisation de l’interpolation linéaire pour estimer les valeurs des pixels à des longueurs d’onde intermédiaires entre 450 nm et 700 nm, ce qui donne 10 canaux spectraux.
  • Extrapolation: Application d'une extrapolation avec SciPy interp1d Fonction permettant d'estimer les valeurs au-delà des longueurs d'onde RVB d'origine, garantissant ainsi une représentation spectrale complète.

Cette approche simule un processus d'imagerie multispectrale, fournissant un ensemble de données plus diversifié pour l'entraînement et l'évaluation du modèle. Pour plus d'informations sur l'imagerie multispectrale, consultez l'article Wikipédia sur l'imagerie multispectrale.

YAML du jeu de données

Le jeu de données COCO8-Multispectral est configuré à l'aide d'un fichier YAML, qui définit les chemins d'accès au jeu de données, les noms de classes et les métadonnées essentielles. Vous pouvez consulter le fichier officiel coco8-multispectral.yaml fichier dans le dépôt GitHub 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

Remarque

Préparez vos images TIFF dans (channel, height, width) l'ordre et enregistrés avec .tiff ou .tif extension à utiliser avec Ultralytics :

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

Utilisation

Pour entraîner un modèle YOLO11n sur l'ensemble de données COCO8-Multispectral 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 d'entraînement

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

# Train YOLO11n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo11n.pt epochs=100 imgsz=640

Pour plus de détails sur la sélection des modèles et les meilleures pratiques, explorez la documentation des modèles Ultralytics YOLO et le guide des conseils pour l'entraînement des modèles YOLO.

Images et annotations d'exemple

Vous trouverez ci-dessous un exemple de lot d'entraînement en mosaïque provenant de l'ensemble de données COCO8-Multispectral :

Exemple d'image de l'ensemble de données

  • Image mosaïque : Cette image montre un lot d'entraînement où plusieurs images d'ensemble de données sont combinées à l'aide de l'augmentation mosaïque. L'augmentation mosaïque augmente la diversité des objets et des scènes dans chaque lot, ce qui aide le modèle à mieux se généraliser à différentes tailles d'objets, différents rapports d'aspect et différents arrière-plans.

Cette technique est particulièrement intéressante pour les petits ensembles de données comme COCO8-Multispectral, car elle maximise l'utilité 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 multispectral ?

L'ensemble de données Ultralytics COCO8-Multispectral est conçu pour les tests rapides et le débogage des modèles de détection d'objets multispectraux. 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. Pour plus d'ensembles de données à expérimenter, visitez le catalogue d'ensembles de données Ultralytics.

Comment les données multispectrales améliorent-elles la détection d'objets ?

Les données multispectrales fournissent des informations spectrales supplémentaires au-delà du RGB standard, permettant aux modèles de distinguer les objets en fonction de subtiles différences de réflectance selon les longueurs d'onde. Cela peut améliorer la précision de la détection, en particulier dans les scénarios difficiles. Apprenez-en davantage sur l'imagerie multispectrale et ses applications dans la vision artificielle avancée.

COCO8-Multispectral est-il compatible avec Ultralytics HUB et les modèles YOLO ?

Oui, COCO8-Multispectral est entièrement compatible avec Ultralytics HUB et tous les modèles YOLO, y compris le dernier YOLO11. Cela vous permet d'intégrer facilement l'ensemble de données dans vos flux de travail d'entraînement et de validation.

Où puis-je trouver plus d'informations sur les techniques d'augmentation de données ?

Pour une compréhension plus approfondie des méthodes d'augmentation des données telles que le mosaïque et de leur impact sur les performances du modèle, consultez le Guide d'augmentation des données YOLO et le Blog Ultralytics sur l'augmentation des données.

Puis-je utiliser COCO8-Multispectral à des fins d'évaluation comparative ou éducatives ?

Absolument ! La petite taille et la nature multispectrale de COCO8-Multispectral le rendent idéal pour le benchmarking, les démonstrations éducatives et le prototypage de nouvelles architectures de modèles. Pour plus d'ensembles de données de benchmarking, consultez la collection d'ensembles de données de référence Ultralytics.



📅 Créé il y a 4 mois ✏️ Mis à jour il y a 21 jours
RizwanMunawar Laughing-q glenn-jocher

Commentaires