Ensemble de données COCO8-Multispectral
Introduction
Le dataset Ultralytics COCO8-Multispectral est une variante avancée du dataset COCO8 original, conçue pour faciliter l'expérimentation avec des modèles de détection d'objets multispectraux. Il est composé des mêmes 8 images de l'ensemble COCO train 2017 (4 pour l'entraînement et 4 pour la validation), mais chaque image est 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.
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 ont été créées en interpolant les images RVB originales sur 10 canaux spectraux régulièrement 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
interp1dFonction 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 aux 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) commande, enregistré avec .tiff ou .tif extension, et s'assurer qu'ils sont uint8 pour une utilisation 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 le dataset 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
Voici un exemple de lot d'entraînement en mosaïque provenant de l'ensemble de données COCO8-Multispectral:
- 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}
}
Un merci spécial au COCO Consortium pour ses contributions continues 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 tester et déboguer rapidement les 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, consultez 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 de benchmarking 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 de jeux de données de benchmarking, consultez la collection de jeux de données de référence Ultralytics.
