Jeu de données COCO8-Multispectral

Introduction

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

COCO8-Multispectral est entièrement compatible avec Ultralytics Platform et YOLO26, garantissant une intégration fluide dans tes workflows de computer vision.

Génération du jeu de données

Les images multispectrales dans COCO8-Multispectral ont été créées en interpolant les images RVB originales sur 10 canaux spectraux régulièrement espacés dans le spectre visible. Le processus inclut :

• Assignation 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 de pixels aux longueurs d'onde intermédiaires entre 450 nm et 700 nm, résultant en 10 canaux spectraux.
• Extrapolation : Application de l'extrapolation avec la fonction interp1d de SciPy pour estimer les valeurs au-delà des longueurs d'onde RVB originales, garantissant 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 des modèles. Pour en savoir plus sur l'imagerie multispectrale, consulte 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 du jeu de données, les noms des classes et les métadonnées essentielles. Tu peux consulter le fichier officiel coco8-multispectral.yaml dans le dépôt GitHub d'Ultralytics.

# 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

Utilisation

Pour entraîner un modèle YOLO26n sur le jeu de données COCO8-Multispectral pendant 100 epochs avec une taille d'image de 640, utilise les exemples suivants. Pour une liste complète des options d'entraînement, réfère-toi à la documentation d'entraînement YOLO.

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)

Pour plus de détails sur la sélection de modèles et les bonnes pratiques, explore la documentation des modèles YOLO d'Ultralytics et le guide des astuces d'entraînement de modèles YOLO.

Exemples d'images et d'annotations

Tu trouveras ci-dessous un exemple d'un lot d'entraînement mosaïqué provenant du jeu de données COCO8-Multispectral :

• Image mosaïquée : Cette image montre un lot d'entraînement où plusieurs images du jeu de données sont combinées en utilisant l'augmentation mosaïque. L'augmentation mosaïque augmente la diversité des objets et des scènes au sein de chaque lot, aidant le modèle à mieux généraliser aux diverses tailles d'objets, ratios d'aspect et arrière-plans.

Cette technique est particulièrement précieuse pour les petits jeux de données comme COCO8-Multispectral, car elle maximise l'utilité de chaque image durant l'entraînement.

Citations et remerciements

Si tu utilises le jeu de données COCO dans tes recherches ou ton développement, merci de citer le papier 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 COCO Consortium pour leurs contributions continues à la communauté de computer vision.

FAQ

À quoi sert le jeu de données Ultralytics COCO8-Multispectral ?

Le jeu de données Ultralytics COCO8-Multispectral est conçu pour le test rapide et le débogage de modèles de détection d'objets multispectraux. Avec seulement 8 images (4 pour l'entraînement, 4 pour la validation), il est idéal pour vérifier tes pipelines d'entraînement YOLO26 et t'assurer que tout fonctionne comme prévu avant de passer à des jeux de données plus larges. Pour découvrir d'autres jeux de données avec lesquels expérimenter, visite le catalogue de jeux de données Ultralytics.

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

Les données multispectrales fournissent des informations spectrales supplémentaires au-delà du RVB standard, permettant aux modèles de distinguer les objets basés sur des différences subtiles de réflectance à travers les longueurs d'onde. Cela peut améliorer la précision de la détection, surtout dans des scénarios complexes. Apprends-en davantage sur l'imagerie multispectrale et ses applications dans la computer vision avancée.

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

Oui, COCO8-Multispectral est entièrement compatible avec Ultralytics Platform et tous les modèles YOLO, incluant le tout dernier YOLO26. Cela te permet d'intégrer facilement le jeu de données dans tes workflows d'entraînement et de validation.

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

Pour une compréhension approfondie des méthodes d'augmentation de données telles que la mosaïque et leur impact sur les performances du modèle, réfère-toi au Guide d'augmentation de données YOLO et au blog Ultralytics sur l'augmentation de données.

Puis-je utiliser COCO8-Multispectral pour du benchmarking ou à des fins 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 de jeux de données de benchmarking, consulte la collection de jeux de données de benchmark Ultralytics.