Jeu de données multispectrales COCO8
Introduction
Les Ultralytics COCO8-Multispectral est une variante avancée de l'ensemble de données COCO8 original, conçue pour faciliter l'expérimentation de modèles de détection d'objets multispectraux. Il se compose des mêmes 8 images de l'ensemble COCO train 2017 - 4 pour la formation et 4 pour la validation - mais chaque image est transformée en un format multispectral à 10 canaux. En dépassant les canaux RVB standard, COCO8-Multispectral permet de développer et d'évaluer des modèles capables d'exploiter des informations spectrales plus riches.
COCO8-Multispectral est entièrement compatible avec Ultralytics HUB et YOLO11ce qui garantit une intégration transparente dans vos flux de travail de vision par ordinateur.
Génération d'ensembles de données
Les images multispectrales de COCO8-Multispectral 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: L'interpolation linéaire permet d'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 de l'extrapolation avec SciPy
interp1dpour estimer les valeurs au-delà des longueurs d'onde RVB originales, assurant 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 des modèles. Pour en savoir plus sur l'imagerie multispectrale, voir l'article de Wikipédia sur l'imagerie multispectrale.
Jeu de données YAML
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 coco8-multispectral.yaml dans le fichier Ultralytics Dépôt GitHub.
ultralytics.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: ../datasets/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
Note
Préparez vos images TIFF dans (channel, height, width) et sauvegardé avec .tiff ou .tif 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 le jeu de données COCO8-Multispectral pour 100 époques avec une taille d'image de 640, utilisez les exemples suivants. Pour une liste complète des options d'entraînement, reportez-vous à la documentation sur l'entraînementYOLO .
Exemple de train
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 du modèle et les meilleures pratiques, consultez la documentation du modèle YOLO d 'Ultralytics et le guide des conseils de formation au modèleYOLO .
Exemples d'images et d'annotations
Vous trouverez ci-dessous un exemple de lot d'entraînement en mosaïque provenant de l'ensemble de données COCO8-Multispectral :
- Image mosaïque: Cette image illustre un lot d'entraînement dans lequel plusieurs images de l'ensemble de données sont combinées à l'aide d'une mosaïque. L'augmentation de la mosaïque accroît la diversité des objets et des scènes dans chaque lot, ce qui permet au modèle de mieux s'adapter à différentes tailles d'objets, à différents rapports d'aspect et à différents arrière-plans.
Cette technique est particulièrement utile pour les petits ensembles de données tels que COCO8-Multispectral, car elle maximise l'utilité de chaque image pendant la formation.
Citations et remerciements
Si vous utilisez l'ensemble de données COCO dans vos travaux de recherche ou de 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 consortium COCO pour ses contributions constantes à la communauté de la vision par ordinateur.
FAQ
À quoi sert le jeu de données Ultralytics COCO8-Multispectral ?
Le jeu 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 modèles de détection d'objets multispectraux. YOLO et s'assurer que tout fonctionne comme prévu avant de passer à des ensembles de données plus importants. Pour plus d'ensembles de données à expérimenter, visitez le Catalogue d'ensembles de donnéesUltralytics .
Comment les données multispectrales améliorent-elles la détection des objets ?
Les données multispectrales fournissent des informations spectrales supplémentaires par rapport au RVB standard, ce qui permet aux modèles de distinguer les objets en fonction des différences subtiles de réflectance entre les longueurs d'onde. Cela peut améliorer la précision de la détection, en particulier dans les scénarios difficiles. En savoir plus sur l'imagerie multispectrale et ses applications dans le domaine de la vision artificielle avancée.
COCO8-Multispectral est-il compatible avec les modèles Ultralytics HUB et YOLO ?
Oui, COCO8-Multispectral est entièrement compatible avec Ultralytics HUB et tous les modèlesYOLO , y compris le dernier YOLO11. Cela vous permet d'intégrer facilement le jeu de données dans vos processus de formation et de validation.
Où puis-je trouver plus d'informations sur les techniques d'augmentation des données ?
Pour une compréhension plus approfondie des méthodes d'augmentation des données telles que la mosaïque et leur impact sur les performances du modèle, consultez le Guide d'augmentation des données deYOLO et le Blog d'Ultralytics sur l'augmentation des données.
Puis-je utiliser COCO8-Multispectral à des fins d'analyse comparative ou d'enseignement ?
Absolument ! La petite taille et la nature multispectrale de COCO8-Multispectral en font un outil idéal pour l'évaluation comparative, les démonstrations éducatives et le prototypage de nouvelles architectures de modèles. Pour d'autres ensembles de données d'analyse comparative, voir la collection d'ensembles de données d'analyse comparativeUltralytics .
