Dataset COCO8-Grayscale#

8

coco8 grayscale

ultralytics

publicDetect

COCO8 Grayscale is a monochrome derivative of the eight-image COCO smoke-test set for validating single-channel detection pipelines. It uses four training and four validation images with real object boxes and generic class IDs as a compact format utility.

76 classes789.4 KBSep 2, 2026

class0class1class2class3+72

Introduzione#

Il dataset COCO8-Grayscale di Ultralytics è un dataset compatto ma potente per il rilevamento degli oggetti, costituito dalle prime 8 immagini del set COCO train 2017 e convertito in formato in scala di grigi: 4 per l'addestramento e 4 per la convalida. Questo dataset è progettato specificamente per test rapidi, debugging e sperimentazione con modelli YOLO in scala di grigi e pipeline di addestramento. Le sue dimensioni ridotte lo rendono altamente gestibile, mentre la sua varietà garantisce che sia un efficace controllo di integrità prima di passare a dataset più grandi.

Struttura del dataset#

COCO8-Grayscale rispecchia COCO8, ovvero le prime 8 immagini del set COCO train 2017, suddivise in 4 per l'addestramento e 4 per la convalida tra tutte le 80 classi di oggetti COCO, ma ogni immagine è memorizzata come immagine in scala di grigi a canale singolo (channels: 1) nel formato delle annotazioni YOLO:

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Esplora COCO8-Grayscale su Ultralytics Platform per sfogliare ogni immagine con le relative sovrapposizioni delle annotazioni, visualizzare la distribuzione delle classi e le mappe di calore dei bounding box nella scheda Charts, e clonarlo per addestrare il tuo modello nel cloud.

YAML del dataset#

La configurazione del dataset COCO8-Grayscale è definita in un file YAML, che specifica i percorsi del dataset, i nomi delle classi e altri metadati essenziali. Puoi esaminare il file ufficiale coco8-grayscale.yaml nel repository GitHub di Ultralytics.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale ← downloads here (1 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-grayscale # 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)

channels: 1

# 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-grayscale.zip

Utilizzo#

Il dataset COCO8-Grayscale (1 MB) viene scaricato automaticamente la prima volta che avvii l'addestramento. Per addestrare un modello YOLO26n su COCO8-Grayscale per 100 epoche con una dimensione delle immagini di 640, usa i seguenti esempi. Per un elenco completo delle opzioni di addestramento, consulta la documentazione sull'addestramento di YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

Immagini ed esempi di annotazioni#

Di seguito è riportato un esempio di batch di addestramento composto da immagini a mosaico del dataset COCO8-Grayscale:

• Immagine con mosaico: questa immagine illustra un batch di addestramento in cui più immagini del dataset vengono combinate usando l'augmentation a mosaico. L'augmentation a mosaico aumenta la diversità degli oggetti e delle scene all'interno di ogni batch, aiutando il modello a generalizzare meglio a varie dimensioni degli oggetti, rapporti d'aspetto e sfondi.

Questa tecnica è particolarmente utile per dataset di piccole dimensioni come COCO8-Grayscale, poiché massimizza il valore di ogni immagine durante l'addestramento.

Citazioni e ringraziamenti#

Se utilizzi il dataset COCO nella tua ricerca o sviluppo, cita il seguente articolo:

@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 ringraziamento speciale al COCO Consortium per il suo costante contributo alla comunità della visione artificiale.

FAQ#