Dataset COCO8-Multispectral
Introduzione
Il dataset COCO8-Multispectral di Ultralytics è una variante avanzata del dataset COCO8 originale, progettata per facilitare la sperimentazione con modelli di object detection multispettrale. È costituito dalle stesse 8 immagini del set COCO train 2017—4 per l'addestramento e 4 per la convalida—ma con ogni immagine trasformata in un formato multispettrale a 10 canali. Espandendosi oltre i canali RGB standard, COCO8-Multispectral consente lo sviluppo e la valutazione di modelli in grado di sfruttare informazioni spettrali più ricche.
COCO8-Multispectral è pienamente compatibile con Ultralytics HUB e YOLO11, garantendo un'integrazione perfetta nei tuoi flussi di lavoro di computer vision.
Guarda: Come addestrare Ultralytics YOLO11 su dataset multispettrali | Multi-Channel VisionAI 🚀
Generazione di dataset
Le immagini multispettrali in COCO8-Multispectral sono state create interpolando le immagini RGB originali su 10 canali spettrali equamente distanziati all'interno dello spettro visibile. Il processo include:
- Assegnazione della Lunghezza d'Onda: Assegnazione delle 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: Applica l'estrapolazione con
interp1dfunzione 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 del modello. Per ulteriori informazioni sull'imaging multispettrale, consultare l'articolo di Wikipedia sull'imaging multispettrale.
YAML del set di dati
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 l'ufficiale coco8-multispectral.yaml file nel repository GitHub di Ultralytics.
ultralytics/cfg/datasets/coco8-multispectral.yaml
# 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
Nota
Prepara le tue immagini TIFF in (channel, height, width) ordine e salvato con .tiff oppure .tif estensione per l'uso con Ultralytics:
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
Utilizzo
Per addestrare un modello YOLO11n sul dataset COCO8-Multispectral 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 addestramento
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo11n.pt epochs=100 imgsz=640
Per maggiori dettagli sulla selezione del modello e sulle best practice, esplora la documentazione del modello Ultralytics YOLO e la guida ai suggerimenti per l'addestramento del modello YOLO.
Immagini di esempio e annotazioni
Di seguito è riportato un esempio di un batch di addestramento mosaicato dal dataset COCO8-Multispectral:
- Immagine mosaicata: Questa immagine mostra un batch di addestramento in cui più immagini del set di dati vengono combinate utilizzando l'aumento tramite mosaico. L'aumento tramite mosaico aumenta 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-Multispectral, in quanto massimizza l'utilità 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 visione artificiale.
FAQ
A cosa serve il dataset Ultralytics COCO8-Multispectral?
Il dataset Ultralytics COCO8-Multispectral è progettato per test rapidi e debug di modelli di rilevamento oggetti multispettrali. 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. Per altri dataset con cui sperimentare, visita il Catalogo Dataset Ultralytics.
In che modo i dati multispettrali migliorano il rilevamento degli oggetti?
I dati multispettrali forniscono informazioni spettrali aggiuntive rispetto al tradizionale RGB, consentendo ai modelli di distinguere gli oggetti in base a sottili differenze nella riflettanza tra le lunghezze d'onda. Questo può migliorare l'accuratezza del rilevamento, specialmente in scenari complessi. Scopri di più sull'imaging multispettrale e le sue applicazioni nella computer vision avanzata.
COCO8-Multispectral è compatibile con Ultralytics HUB e i modelli YOLO?
Sì, COCO8-Multispectral è pienamente compatibile con Ultralytics HUB e tutti i modelli YOLO, incluso l'ultimo YOLO11. Ciò consente di integrare facilmente il set di dati nei flussi di lavoro di addestramento e convalida.
Dove posso trovare maggiori informazioni sulle tecniche di aumento dei dati?
Per una comprensione più approfondita dei metodi di aumento dei dati come mosaic e del loro impatto sulle prestazioni del modello, consultare la Guida all'aumento dei dati YOLO e il Blog Ultralytics sull'aumento dei dati.
Posso utilizzare COCO8-Multispectral per il benchmarking o scopi didattici?
Assolutamente! Le dimensioni ridotte e la natura multispettrale di COCO8-Multispectral lo rendono ideale per il benchmarking, le dimostrazioni didattiche e la prototipazione di nuove architetture di modelli. Per ulteriori dataset di benchmarking, consulta la Ultralytics Benchmark Dataset Collection.
