Jeu de données COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

Eight-image multispectral COCO sample for object detection with four train and four validation images, 30 bounding boxes, 80 COCO classes, and genuine 10-channel uint8 TIFF imagery. Derived from COCO imagery and packaged by Ultralytics for multispectral pipeline validation.

80 classes20.3 MBAug 24, 2026

personbicyclecarmotorcycle+76

Introduction#

Le jeu de données Ultralytics COCO8-Multispectral est une variante avancée du jeu de données COCO8 d'origine, conçue pour faciliter l'expérimentation avec des modèles de détection d'objets multispectraux. Il se compose des 8 mêmes images de l'ensemble train 2017 de COCO — 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 Platform et YOLO26, ce qui garantit une intégration transparente dans tes flux de travail de computer vision.

Structure du jeu de données#

COCO8-Multispectral partage les 8 mêmes images que COCO8 — 4 pour l'entraînement et 4 pour la validation sur les 80 classes d'objets COCO —, mais chaque image est stockée sous forme de .tiff multispectral à 10 canaux au YOLO label format :

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

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 : Assignation de longueurs d'onde nominales aux canaux RVB — Rouge : 650 nm, Vert : 510 nm, Bleu : 475 nm.
• Interpolation : Utilisation d'une 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 : Applique l'extrapolation linéaire pour estimer des 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 Multispectral Imaging Wikipedia article.

YAML du jeu de données#

Le jeu de données COCO8-Multispectral est configuré à l'aide d'un fichier YAML, qui définit les chemins des jeux de données, les noms des classes et les métadonnées essentielles. Tu peux consulter le fichier officiel coco8-multispectral.yaml dans le Ultralytics GitHub repository.

# 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#

Le jeu de données COCO8-Multispectral (20,2 Mo) se télécharge automatiquement lors de ton premier entraînement. Pour entraîner un modèle YOLO26n sur COCO8-Multispectral pendant 100 epochs avec une taille d'image de 640, utilise les exemples suivants. Pour une liste complète des options d'entraînement, reporte-toi à la YOLO Training documentation.

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 des modèles et les meilleures pratiques, explore la Ultralytics YOLO model documentation et le guide YOLO Model Training Tips guide.

Exemples d'images et annotations#

Voici un exemple d'un lot d'entraînement mosaïqué issu du jeu de données COCO8-Multispectral :

• Image en mosaïque : Cette image illustre un lot d'entraînement où plusieurs images du jeu de données sont combinées à l'aide de l'mosaic augmentation. L'augmentation en mosaïque accroît la diversité des objets et des scènes au sein de chaque lot, aidant le modèle à mieux généraliser à différentes tailles d'objets, proportions 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 document 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 computer vision community.

FAQ#