Dataset COCO8-Grayscale
Introduzione
Il dataset COCO8-Grayscale di Ultralytics è un dataset di object detection compatto ma potente, costituito dalle prime 8 immagini del set COCO train 2017 e convertito in formato scala di grigi—4 per l'addestramento e 4 per la convalida. Questo dataset è specificamente progettato per test rapidi, debug e sperimentazione con modelli YOLO in scala di grigi e pipeline di addestramento. Le sue dimensioni ridotte lo rendono altamente gestibile, mentre la sua diversità assicura che serva come un efficace controllo di integrità prima di passare a dataset più grandi.
COCO8-Grayscale è pienamente compatibile con Ultralytics HUB e YOLO11, consentendo un'integrazione perfetta nei tuoi flussi di lavoro di computer vision.
Set di dati YAML
La configurazione del dataset COCO8-Grayscale è definita in un file YAML (Yet Another Markup Language) che specifica i percorsi del dataset, i nomi delle classi e altri metadati essenziali. Puoi consultare l'ufficiale coco8-grayscale.yaml file nel Ultralytics Repository GitHub.
Nota
Per addestrare le tue immagini RGB in scala di grigi, puoi semplicemente aggiungere channels: 1 al tuo file YAML del dataset. Questo converte tutte le immagini in scala di grigi durante l'addestramento, consentendoti di utilizzare i vantaggi della scala di grigi senza richiedere un dataset separato.
ultralytics/cfg/datasets/coco8-grayscale.yaml
# 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
Per addestrare un modello YOLO11n sul dataset COCO8-Grayscale per 100 epoche con una dimensione dell'immagine di 640, usa i seguenti esempi. Per un elenco completo delle opzioni di addestramento, consulta la documentazione sull'addestramento YOLO.
Esempio di treno
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Immagini di esempio e annotazioni
Di seguito è riportato un esempio di batch di training mosaicato dal dataset COCO8-Grayscale:
- Immagine a mosaico: Questa immagine illustra un batch di training in cui più immagini del dataset vengono combinate utilizzando l'aumento a mosaico. L'aumento a mosaico incrementa la diversità di oggetti e scene all'interno di ogni batch, aiutando il modello a generalizzare meglio a varie dimensioni degli oggetti, proporzioni e sfondi.
Questa tecnica è particolarmente utile per dataset di piccole dimensioni come COCO8-Grayscale, in quanto massimizza il valore di ogni immagine durante il training.
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 Consorzio COCO per il loro continuo contributo alla comunità della computer vision.
FAQ
A cosa serve il dataset Ultralytics COCO8-Grayscale?
Il dataset Ultralytics COCO8-Grayscale è progettato per test rapidi e debugging di modelli di object detection. Con sole 8 immagini (4 per l'addestramento, 4 per la convalida), è ideale per verificare le pipeline di addestramento YOLO e assicurarsi che tutto funzioni come previsto prima di passare a dataset più grandi. Esplora la configurazione COCO8-Grayscale YAML per maggiori dettagli.
Come posso addestrare un modello YOLO11 utilizzando il dataset COCO8-Grayscale?
Puoi addestrare un modello YOLO11 su COCO8-Grayscale usando Python o la CLI:
Esempio di treno
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Per ulteriori opzioni di addestramento, consultare la documentazione sull'addestramento YOLO.
Perché dovrei usare Ultralytics HUB per gestire il mio training COCO8 in scala di grigi?
Ultralytics HUB semplifica la gestione, l'addestramento e la distribuzione dei set di dati per i modelli YOLO, incluso COCO8-Grayscale. Grazie a funzionalità come l'addestramento su cloud, il monitoraggio in tempo reale e la gestione intuitiva dei set di dati, HUB ti consente di avviare esperimenti con un solo clic ed elimina i problemi di configurazione manuale. Scopri di più su Ultralytics HUB e su come può accelerare i tuoi progetti di computer vision.
Quali sono i vantaggi dell'utilizzo dell'aumento Mosaic nel training con il dataset COCO8-Grayscale?
L'aumento del mosaico, come utilizzato nell'addestramento COCO8-Grayscale, combina più immagini in una durante ogni batch. Ciò aumenta la diversità degli oggetti e degli sfondi, aiutando il tuo modello YOLO a generalizzare meglio a nuovi scenari. L'aumento del mosaico è particolarmente utile per piccoli set di dati, in quanto massimizza le informazioni disponibili in ogni fase di addestramento. Per maggiori informazioni, consulta la guida all'addestramento.
Come posso convalidare il mio modello YOLO11 addestrato sul dataset COCO8-Grayscale?
Per convalidare il tuo modello YOLO11 dopo l'addestramento su COCO8-Grayscale, usa i comandi di convalida del modello in Python o nella CLI. Questo valuta le prestazioni del tuo modello utilizzando metriche standard. Per istruzioni dettagliate, visita la documentazione sulla convalida YOLO.
