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, composto dalle prime 8 immagini del set COCO train 2017 convertite in scala di grigi: 4 per l'addestramento e 4 per la convalida. È progettato appositamente per test rapidi, debug e sperimentazione con modelli YOLO in scala di grigi e pipeline di addestramento. Le dimensioni ridotte lo rendono facile da gestire, mentre la sua varietà ne fa un efficace controllo di integrità prima di passare a dataset più grandi.

Struttura del dataset#

COCO8-Grayscale rispecchia COCO8: le prime 8 immagini del set COCO train 2017, suddivise in 4 per l'addestramento e 4 per la convalida e contrassegnate con i nomi delle 80 classi COCO; tuttavia, ogni immagine è archiviata come immagine in scala di grigi a canale singolo (channels: 1) in formato di etichettatura YOLO:

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

Esplora COCO8-Grayscale su Ultralytics Platform per sfogliare tutte le immagini con le sovrapposizioni delle annotazioni, visualizzare la distribuzione delle classi e le mappe di calore dei riquadri di delimitazione nella scheda Charts e clonare il dataset 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 consultare 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 al primo avvio dell'addestramento. Per addestrare un modello YOLO26n su COCO8-Grayscale per 100 epoche con una dimensione dell'immagine di 640, utilizza gli esempi seguenti. Per l'elenco completo delle opzioni di addestramento, consulta la documentazione sull'addestramento di YOLO.

from ultralytics import YOLO

# Carica un modello YOLO26n preaddestrato
model = YOLO("yolo26n.pt")

# Addestra il modello su COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

Immagini di esempio e annotazioni#

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

• Immagine a mosaico: questa immagine mostra un batch di addestramento in cui più immagini del dataset sono combinate mediante l'aumento dei dati Mosaic. L'aumento dei dati Mosaic accresce la varietà di oggetti e scene in ogni batch, aiutando il modello a generalizzare meglio a oggetti di dimensioni e proporzioni diverse e a sfondi differenti.

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

Citazioni e ringraziamenti#

Se utilizzi il dataset COCO nelle tue attività di 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 contributo costante alla comunità della visione artificiale.

Domande frequenti#