Link to this sectionDataset COCO8-Multispectral#

Link to this sectionIntroduzione#

Il dataset Ultralytics COCO8-Multispectral è una variante avanzata dell'originale dataset COCO8, progettata per facilitare la sperimentazione con modelli di object detection multispettrale. Consiste nelle stesse 8 immagini del set COCO train 2017—4 per l'addestramento e 4 per la validazione—ma con ogni immagine trasformata in un formato multispettrale a 10 canali. Andando oltre i classici canali RGB, COCO8-Multispectral permette lo sviluppo e la valutazione di modelli in grado di sfruttare informazioni spettrali più ricche.

COCO8-Multispectral è pienamente compatibile con Ultralytics Platform e YOLO26, garantendo un'integrazione fluida nei tuoi flussi di lavoro di computer vision.

Link to this sectionGenerazione del Dataset#

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

• Assegnazione della Lunghezza 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 a 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 imaging multispettrale, fornendo un set di dati più diversificato per l'addestramento e la valutazione dei modelli. Per ulteriori approfondimenti sull'imaging multispettrale, consulta la voce di Wikipedia sull'imaging multispettrale.

Link to this sectionDataset YAML#

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 esaminare 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

# 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

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26n sul dataset COCO8-Multispectral per 100 epoch con una dimensione dell'immagine di 640, usa i seguenti esempi. Per un elenco completo delle opzioni di addestramento, fai riferimento alla documentazione sull'addestramento YOLO.

from ultralytics import YOLO

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

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

Per ulteriori dettagli sulla selezione del modello e le best practice, esplora la documentazione dei modelli YOLO di Ultralytics e la guida ai suggerimenti per l'addestramento dei modelli YOLO.

Link to this sectionEsempi di immagini e annotazioni#

Di seguito è riportato un esempio di un batch di addestramento a mosaico dal dataset COCO8-Multispectral:

• Immagine Mosaico: Questa immagine mostra un batch di addestramento in cui vengono combinate più immagini del dataset utilizzando la mosaic augmentation. La mosaic augmentation aumenta la diversità di oggetti e scene all'interno di ogni batch, aiutando il modello a generalizzare meglio verso varie dimensioni degli oggetti, proporzioni e sfondi.

Questa tecnica è particolarmente preziosa per dataset piccoli come COCO8-Multispectral, poiché massimizza l'utilità di ogni immagine durante l'addestramento.

Link to this sectionCitazioni e riconoscimenti#

Se utilizzi il dataset COCO nella tua ricerca o sviluppo, ti preghiamo di citare 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 i loro continui contributi alla community di computer vision.

Link to this sectionFAQ#

Link to this sectionA cosa serve il dataset Ultralytics COCO8-Multispectral?#

Il dataset Ultralytics COCO8-Multispectral è progettato per test rapidi e il debug di modelli di multispectral object detection. Con sole 8 immagini (4 per l'addestramento, 4 per la validazione), è ideale per verificare le tue pipeline di addestramento YOLO26 e assicurarti che tutto funzioni come previsto prima di passare a dataset più grandi. Per altri dataset con cui sperimentare, visita il Catalogo Dataset di Ultralytics.

Link to this sectionIn che modo i dati multispettrali migliorano l'object detection?#

I dati multispettrali forniscono informazioni spettrali aggiuntive oltre al classico RGB, consentendo ai modelli di distinguere gli oggetti in base a sottili differenze di riflettanza attraverso le lunghezze d'onda. Questo può migliorare l'accuratezza del rilevamento, specialmente in scenari complessi. Scopri di più sull'imaging multispettrale e sulle sue applicazioni nella computer vision avanzata.

Link to this sectionCOCO8-Multispectral è compatibile con Ultralytics Platform e i modelli YOLO?#

Sì, COCO8-Multispectral è pienamente compatibile con Ultralytics Platform e tutti i modelli YOLO, incluso l'ultimo YOLO26. Questo ti consente di integrare facilmente il dataset nei tuoi flussi di lavoro di addestramento e validazione.

Link to this sectionDove posso trovare maggiori informazioni sulle tecniche di data augmentation?#

Per una comprensione più approfondita dei metodi di data augmentation come il mosaic e il loro impatto sulle prestazioni del modello, consulta la Guida alla Data Augmentation di YOLO e il Blog di Ultralytics sulla Data Augmentation.

Link to this sectionPosso usare COCO8-Multispectral per il benchmarking o scopi didattici?#

Certamente! Le dimensioni ridotte e la natura multispettrale del COCO8-Multispectral lo rendono ideale per il benchmarking, dimostrazioni educative e la prototipazione di nuove architetture di modelli. Per ulteriori dataset di benchmarking, consulta la Collezione di Dataset di Benchmark di Ultralytics.