Set di dati COCO8-Multispettrale

Introduzione

Il Ultralytics COCO8-Multispectral è una variante avanzata del set di dati COCO8 originale, progettata per facilitare la sperimentazione di modelli di rilevamento di oggetti multispettrali. È costituito dalle stesse 8 immagini del set COCO train 2017 - 4 per l'addestramento e 4 per la validazione - ma con ciascuna 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 che possono sfruttare informazioni spettrali più ricche.

COCO8-Multispettrale è pienamente compatibile con Ultralytics HUB e YOLO11. YOLO11assicurando una perfetta integrazione nei flussi di lavoro di computer vision.

Generazione del set di dati

Le immagini multispettrali di COCO8-Multispectral sono state create interpolando le immagini RGB originali su 10 canali spettrali uniformemente distanziati nello spettro visibile. Il processo comprende:

• 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 alle lunghezze d'onda intermedie tra 450 nm e 700 nm, ottenendo 10 canali spettrali.
• Estrapolazione: Applicazione dell'estrapolazione con SciPy interp1d 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 insieme più diversificato di dati per l'addestramento e la valutazione del modello. Per ulteriori informazioni sull'imaging multispettrale, consultare l'articolo di Wikipedia Multispectral Imaging.

Set di dati YAML

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

# 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: ../datasets/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

Utilizzo

Per addestrare un modello YOLO11n sul set di dati COCO8-Multispettrale per 100 epoche con una dimensione dell'immagine di 640, utilizzare i seguenti esempi. Per un elenco completo delle opzioni di addestramento, consultare la documentazione di YOLO Training.

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, consultate la documentazione sul modelloYOLO diUltralytics e la guida ai suggerimenti per la formazione sul modelloYOLO .

Immagini di esempio e annotazioni

Di seguito è riportato un esempio di batch di allenamento mosaicato dal set di dati COCO8-Multispectral:

• Immagine a mosaico: Questa immagine mostra un lotto di addestramento in cui più immagini del set di dati sono state combinate utilizzando l'incremento a mosaico. L'incremento del mosaico aumenta la diversità degli oggetti e delle scene all'interno di ciascun batch, aiutando il modello a generalizzarsi meglio a oggetti di varie dimensioni, rapporti di aspetto e sfondi.

Questa tecnica è particolarmente preziosa per i piccoli insiemi di dati come COCO8-Multispectral, in quanto massimizza l'utilità di ogni immagine durante l'addestramento.

Citazioni e ringraziamenti

Se utilizzate il set di dati COCO nella vostra ricerca o sviluppo, siete pregati di citare il seguente documento:

@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 continuo contributo alla comunità della computer vision.

FAQ

A cosa serve il dataset Ultralytics COCO8-Multispectral?

Il set di dati Ultralytics COCO8-Multispectral è stato progettato per un rapido test e debug dei modelli di rilevamento di oggetti multispettrali. Con sole 8 immagini (4 per l'addestramento, 4 per la convalida), è ideale per verificare i modelli di YOLO e assicurarsi che tutto funzioni come previsto prima di passare a set di dati più grandi. Per ulteriori set di dati con cui sperimentare, visitate il catalogo dei set di datiUltralytics .

In che modo i dati multispettrali migliorano il rilevamento degli oggetti?

I dati multispettrali forniscono informazioni spettrali aggiuntive rispetto allo standard RGB, consentendo ai modelli di distinguere gli oggetti in base a sottili differenze di riflettanza tra le varie lunghezze d'onda. Ciò può migliorare l'accuratezza del rilevamento, soprattutto in scenari difficili. Per saperne di più sull'imaging multispettrale e sulle sue applicazioni nella computer vision avanzata.

COCO8-Multispettrale è compatibile con i modelli HUB e YOLO Ultralytics ?

Sì, COCO8-Multispectral è pienamente compatibile con Ultralytics HUB e con tutti i modelliYOLO , compreso l'ultimo YOLO11. Ciò consente di integrare facilmente il set di dati nei flussi di lavoro di formazione e convalida.

Dove posso trovare maggiori informazioni sulle tecniche di incremento dei dati?

Per una comprensione più approfondita dei metodi di incremento dei dati, come il mosaico, e del loro impatto sulle prestazioni del modello, consultare la Guida all'incremento dei dati diYOLO e il blog di Ultralytics sull'incremento dei dati.

È possibile utilizzare COCO8-Multispectral per scopi di benchmarking o 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 altri set di dati di benchmarking, consultare la raccolta di dati di benchmarkUltralytics .

📅C reato 1 mese fa ✏️ Aggiornato 29 giorni fa

Commenti