Dataset COCO8-Multispectral
Introduzione
Il dataset Ultralytics COCO8-Multispectral 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 la Piattaforma Ultralytics e YOLO26, garantendo un'integrazione perfetta nei tuoi flussi di lavoro di visione artificiale.
Guarda: Come addestrare Ultralytics YOLO26 su Dataset Multispettrali | Visione AI Multicanale 🚀
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 il file 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, salvato con .tiff oppure .tif estensione e assicurati che siano uint8 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 YOLO26n sul dataset COCO8-Multispectral per 100 epoche con una dimensione dell'immagine di 640, utilizzare gli esempi seguenti. Per un elenco completo delle opzioni di addestramento, fare riferimento alla documentazione di addestramento YOLO.
Esempio di addestramento
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)
# Train YOLO26n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo26n.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 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 preziosa per piccoli set di dati come COCO8-Multispectral, in quanto massimizza l'utilità di ogni immagine durante il training.
Citazioni e ringraziamenti
Se utilizzi il dataset COCO nel tuo lavoro 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 loro continuo contributo alla comunità della computer vision.
FAQ
A cosa serve il dataset COCO8-Multispectral di Ultralytics?
Il dataset Ultralytics COCO8-Multispectral è progettato per il test e il debug rapidi di modelli di rilevamento oggetti multispettrali. Con solo 8 immagini (4 per l'addestramento, 4 per la validazione), è ideale per verificare le pipeline di addestramento YOLO26 e assicurarsi che tutto funzioni come previsto prima di scalare a dataset più grandi. Per ulteriori dataset con cui sperimentare, visitare il Catalogo Dataset di 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 la Piattaforma Ultralytics e i modelli YOLO?
Sì, COCO8-Multispectral è pienamente compatibile con la Piattaforma Ultralytics e tutti i modelli YOLO, incluso l'ultimo YOLO26. Ciò consente di integrare facilmente il dataset nei flussi di lavoro di addestramento e validazione.
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.
