Dataset COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

COCO8 Multispectral is an eight-image detection utility with genuine 10-channel uint8 TIFF inputs. Four training and four validation images pair multispectral loading with COCO boxes and the 80-class taxonomy for focused pipeline validation.

80 classes20.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

Introduzione#

Il dataset COCO8-Multispectral di Ultralytics è una variante avanzata del dataset COCO8 originale, progettata per facilitare la sperimentazione con modelli di rilevamento degli oggetti multispettrali. È composto dalle stesse 8 immagini del set COCO train 2017 — 4 per l'addestramento e 4 per la convalida — ma ogni immagine è stata trasformata in un formato multispettrale a 10 canali. Superando i normali canali RGB, COCO8-Multispectral consente di sviluppare e valutare modelli in grado di sfruttare informazioni spettrali più ricche.

COCO8-Multispectral è pienamente compatibile con Ultralytics Platform e YOLO26, garantendo un'integrazione perfetta nei tuoi flussi di lavoro di visione artificiale.

Struttura del dataset#

COCO8-Multispectral condivide le stesse 8 immagini di COCO8 — 4 per l'addestramento e 4 per la convalida, etichettate con i nomi delle 80 classi COCO — ma ogni immagine è archiviata come immagine multispettrale a 10 canali .tiff in formato di etichettatura YOLO:

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

Generazione del dataset#

Le immagini multispettrali di COCO8-Multispectral sono state create interpolando le immagini RGB originali su 10 canali spettrali equidistanti all'interno dello spettro visibile. Il processo include:

• Assegnazione delle lunghezze d'onda: assegnazione di lunghezze d'onda nominali ai canali RGB — Rosso: 650 nm, Verde: 510 nm, Blu: 475 nm.
• Interpolazione: utilizzo dell'interpolazione lineare per stimare i valori dei pixel alle lunghezze d'onda intermedie tra 450 nm e 700 nm, ottenendo 10 canali spettrali.
• Estrapolazione: applicazione dell'estrapolazione lineare per stimare i valori oltre le lunghezze d'onda RGB originali, garantendo una rappresentazione spettrale completa.

Questo approccio simula un processo di acquisizione di immagini multispettrali, fornendo dati più diversificati per l'addestramento e la valutazione dei modelli. Per ulteriori approfondimenti sull'imaging multispettrale, consulta l'articolo di Wikipedia sull'imaging multispettrale.

YAML del dataset#

Il dataset COCO8-Multispectral è configurato tramite un file YAML, che definisce i percorsi del dataset, i nomi delle classi e i metadati essenziali. Puoi consultare il file ufficiale coco8-multispectral.yaml nel repository GitHub di Ultralytics.

# 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

import cv2
import numpy as np

# Crea e scrivi TIFF a 10 canali
image = np.ones((10, 640, 640), dtype=np.uint8)  # Ordine CHW
cv2.imwritemulti("example.tiff", image)

# Leggi TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  Ordine HWC per training e inferenza

Utilizzo#

Il dataset COCO8-Multispectral (20.2 MB) viene scaricato automaticamente la prima volta che avvii il training. Per addestrare un modello YOLO26n su COCO8-Multispectral per 100 epoche con una dimensione dell'immagine di 640, usa i seguenti esempi. Per un elenco completo delle opzioni di training, consulta la documentazione sul training di YOLO.

from ultralytics import YOLO

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

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

Per ulteriori dettagli sulla selezione dei modelli e sulle best practice, consulta la documentazione sui modelli Ultralytics YOLO e la guida ai suggerimenti per il training dei modelli YOLO.

Immagini di esempio e annotazioni#

Di seguito è riportato un esempio di batch di training mosaicato dal dataset COCO8-Multispectral:

• Immagine mosaicata: questa immagine mostra un batch di training in cui più immagini del dataset vengono combinate usando l'augmentation mosaic. L'augmentation mosaic aumenta la varietà di oggetti e scene in ogni batch, aiutando il modello a generalizzare meglio a dimensioni e proporzioni diverse degli oggetti e a vari sfondi.

Questa tecnica è particolarmente utile per i dataset di piccole dimensioni come COCO8-Multispectral, perché massimizza l'utilità di ogni immagine durante il training.

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 Consorzio COCO per il suo costante contributo alla comunità della visione artificiale.

Domande frequenti#