Commencer

Jeu de données COCO8-Multispectral

COCO8 Multispectral preview 1
COCO8 Multispectral preview 2
COCO8 Multispectral preview 3
COCO8 Multispectral preview 4
8
COCO8 Multispectral
ultralytics
PublicDetect

Synthetic multispectral TIFFs made from COCO everyday-scene photos, with object boxes, for testing multi-channel detection pipelines. Created by Ultralytics by interpolating each COCO8 RGB image into 10 evenly spaced bands from 450 to 700 nm, so the extra channels are simulated rather than real sensor data. Source: Lin et al., "Microsoft COCO: Common Objects in Context," ECCV 2014; docs.ultralytics.com/datasets/detect/coco8-multispectral.

80 classes20.3 MBOct 23, 2026
personbicyclecarmotorcycle+76

Introduction#

Le jeu de données COCO8-Multispectral d’Ultralytics est une variante du jeu de données COCO8 d’origine destinée à l’expérimentation avec des modèles de détection d’objets multispectrale. Il comprend les mêmes 8 images du jeu COCO train 2017 — 4 pour l’entraînement et 4 pour la validation —, mais chaque image est transformée au format multispectral à 10 canaux. En allant au-delà des canaux RVB classiques, COCO8-Multispectral permet de développer et d’évaluer des modèles qui exploitent des informations spectrales plus riches.

Multispectral imaging for object detection

COCO8-Multispectral fonctionne avec Ultralytics Platform et YOLO26, tu peux donc l’utiliser directement dans tes flux de travail de vision par ordinateur.



Regarder : Comment entraîner Ultralytics YOLO sur des jeux de données en niveaux de gris et multispectraux | VisionAI multicanal 🚀

Structure du jeu de données#

COCO8-Multispectral partage les mêmes 8 images que COCO8 — 4 pour l’entraînement et 4 pour la validation, annotées avec les 80 noms de classes COCO —, mais chaque image est stockée sous la forme d’un fichier multispectral à 10 canaux .tiff au format d’annotation YOLO :

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

  • Attribution des longueurs d’onde : attribution de longueurs d’onde nominales aux canaux RGB — rouge : 650 nm, vert : 510 nm, bleu : 475 nm.
  • Interpolation : utilisation de l’interpolation linéaire pour estimer les valeurs des pixels aux longueurs d’onde intermédiaires entre 450 nm et 700 nm, ce qui produit 10 canaux spectraux.
  • Extrapolation : application de l’extrapolation linéaire pour estimer les valeurs au-delà des longueurs d’onde RGB originales, afin d’obtenir une représentation spectrale complète.

Cette approche simule un processus d’imagerie multispectrale et fournit un ensemble de données plus varié pour l’entraînement et l’évaluation des modèles. Pour en savoir plus sur l’imagerie multispectrale, consulte l’article Wikipédia sur l’imagerie multispectrale.

Fichier YAML du jeu de données#

Le jeu de données COCO8-Multispectral est configuré au moyen d’un fichier YAML qui définit les chemins d’accès, les noms de classes et les métadonnées essentielles. Tu peux consulter le fichier officiel coco8-multispectral.yaml dans le dépôt GitHub d’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

Prépare tes images TIFF dans l’ordre (channel, height, width), enregistre-les avec l’extension .tiff ou .tif, et vérifie qu’elles sont uint8 pour pouvoir les utiliser avec Ultralytics :

import cv2
import numpy as np

# Créer et écrire un TIFF à 10 canaux
image = np.ones((10, 640, 640), dtype=np.uint8)  # Ordre CHW
cv2.imwritemulti("example.tiff", image)

# Lire le TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  ordre HWC pour l'entraînement et l'inférence

Utilisation#

Le jeu de données COCO8-Multispectral (20.2 MB) est téléchargé automatiquement au premier lancement de l’entraînement. Pour entraîner un modèle YOLO26n sur COCO8-Multispectral pendant 100 époques, avec une taille d’image de 640, utilise les exemples suivants.

Exemple d’entraînement
from ultralytics import YOLO

# Charger un modèle YOLO26n préentraîné
model = YOLO("yolo26n.pt")

# Entraîne le modèle sur COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

Pour en savoir plus sur le choix des modèles et les bonnes pratiques, consulte la documentation des modèles Ultralytics YOLO et le guide des conseils d'entraînement des modèles YOLO.

Exemples d’images et annotations#

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

COCO8 multispectral dataset mosaic training batch
  • Image mosaïquée : cette image illustre un lot d'entraînement dans lequel plusieurs images du jeu de données sont combinées à l'aide de l'augmentation mosaïque. L'augmentation mosaïque accroît la diversité des objets et des scènes dans chaque lot, ce qui aide le modèle à mieux généraliser à différentes tailles d'objets, proportions et arrière-plans.

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

Citations et remerciements#

Si tu utilises le jeu de données COCO dans tes travaux de recherche ou de développement, cite l’article suivant :

Citation
@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 ses contributions continues à la communauté de la vision par ordinateur.

FAQ#

  • Le jeu de données Ultralytics COCO8-Multispectral est conçu pour tester et déboguer rapidement les modèles multispectraux de détection d’objets. Avec seulement 8 images (4 pour l’entraînement et 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 volumineux.

  • Les données multispectrales apportent des informations spectrales supplémentaires par rapport au RVB classique, permettant aux modèles de distinguer les objets selon de subtiles différences de réflectance à différentes longueurs d’onde. Cela peut améliorer la précision de détection, en particulier dans des situations difficiles comme la faible luminosité ou le camouflage.

  • Oui. COCO8-Multispectral fonctionne avec Ultralytics Platform et les modèles Ultralytics YOLO, notamment YOLO26, pour l’entraînement comme pour la validation.

  • Pour mieux comprendre les méthodes d'augmentation des données, comme la mosaïque, et leur effet sur les performances des modèles, consulte le guide d'augmentation des données YOLO et l'article du blog Ultralytics sur l'augmentation des données.

  • Il convient parfaitement aux démonstrations pédagogiques, au prototypage de nouvelles architectures de modèles et à la vérification de pipelines multicanaux. Avec seulement 8 images, il est trop petit pour réaliser des évaluations comparatives pertinentes ; utilise donc un jeu de données plus volumineux si tu as besoin de métriques représentatives.

Commentaires1

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

  1. brenoslinharesGitHub

    Good afternoon.

    I reproduced it for detection and it worked normally. However, adapting the COCO8-Multispectral dataset for classification, as well as the .yaml file when loading the model with channels equal to 10 and the dataset root path in data, returns the following error: RuntimeError: Given groups=1, weight of size [16, 10, 3, 3], expected input [4, 3, 640, 640] to have 10 channels, but got 3 channels instead.

    Is it possible to use it for classification, including with data augmentation? How would this be possible? Has there been an update for this task?

    Thank you in advance.