COCO8-Grayscale データセット

はじめに

Ultralytics COCO8-Grayscale データセットは、コンパクトでありながら強力な object detection データセットです。これは COCO train 2017 セットの最初の8枚の画像で構成されており、グレースケール形式に変換されています（トレーニング用4枚、検証用4枚）。このデータセットは、YOLO のグレースケールモデルやトレーニングパイプラインの迅速なテスト、デバッグ、実験を行うために特別に設計されています。サイズが小さいため非常に扱いやすく、多様性があるため、より大きなデータセットへスケールアップする前の効果的な健全性チェックとして機能します。

Watch: How to Train Ultralytics YOLO26 on Grayscale Datasets 🚀

COCO8-Grayscale は Ultralytics Platform および YOLO26 と完全な互換性があり、コンピュータービジョンのワークフローにシームレスに統合できます。

データセットYAML

The COCO8-Grayscale dataset configuration is defined in a YAML (Yet Another Markup Language) file, which specifies dataset paths, class names, and other essential metadata. You can review the official coco8-grayscale.yaml file in the Ultralytics GitHub repository.

注意

RGB 画像をグレースケールでトレーニングするには、データセットの YAML ファイルに channels: 1 を追加するだけで済みます。これにより、トレーニング中にすべての画像がグレースケールに変換され、別のデータセットを必要とせずにグレースケールの利点を活用できるようになります。

ultralytics/cfg/datasets/coco8-grayscale.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale ← downloads here (1 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-grayscale # 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)

channels: 1

# 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-grayscale.zip

使用方法

COCO8-Grayscale データセットで YOLO26n モデルを100 epochs、画像サイズ 640 でトレーニングする例を以下に示します。トレーニングオプションの完全なリストについては、YOLO Training ドキュメントを参照してください。

トレーニングの例

from ultralytics import YOLO

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

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

サンプル画像とアノテーション

以下は、COCO8-Grayscale データセットを使用したモザイク状のトレーニングバッチの例です。

COCO8 grayscale dataset mosaic training batch

モザイク画像: この画像は、複数のデータセット画像をモザイクオーグメンテーションを使用して結合したトレーニングバッチを示しています。モザイクオーグメンテーションは、各バッチ内のオブジェクトとシーンの多様性を高め、モデルがさまざまなオブジェクトサイズ、アスペクト比、背景に対してより適切に汎化できるように支援します。

この手法は、COCO8-Grayscale のような小さなデータセットにおいて特に有用であり、トレーニング中の各画像の価値を最大化します。

引用と謝辞

研究や開発でCOCOデータセットを使用する場合は、以下の論文を引用してください：

引用

@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}
}

Special thanks to the COCO Consortium for their ongoing contributions to the computer vision community.

FAQ

Ultralytics COCO8-Grayscale データセットは何のために使われますか？

Ultralytics COCO8-Grayscale データセットは、object detection モデルの迅速なテストとデバッグのために設計されています。わずか8枚の画像（トレーニング用4枚、検証用4枚）で構成されており、YOLO トレーニングパイプラインを検証し、より大きなデータセットにスケールアップする前にすべてが期待通りに動作することを確認するのに理想的です。詳細は COCO8-Grayscale YAML 設定を確認してください。

COCO8-Grayscale データセットを使用して YOLO26 モデルをトレーニングするにはどうすればよいですか？

Python または CLI を使用して、COCO8-Grayscale で YOLO26 モデルをトレーニングできます。

トレーニングの例

from ultralytics import YOLO

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

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

その他のトレーニングオプションについては、YOLOトレーニングドキュメントを参照してください。

COCO8-Grayscale のトレーニング管理に Ultralytics Platform を使用すべき理由は何ですか？

Ultralytics Platform は、COCO8-Grayscale を含む YOLO モデルのデータセット管理、トレーニング、デプロイを効率化します。クラウドトレーニング、リアルタイム監視、直感的なデータセット操作などの機能を備えており、HUB を使用すればワンクリックで実験を開始でき、手動設定の手間を省くことができます。Ultralytics Platform の詳細と、それがどのようにコンピュータービジョンプロジェクトを加速できるかを確認してください。

COCO8-Grayscale データセットを使用したトレーニングで Mosaic Augmentation を使用する利点は何ですか？

COCO8-Grayscale のトレーニングで使用される Mosaic Augmentation は、各バッチ内で複数の画像を1つに統合します。これによりオブジェクトと背景の多様性が高まり、YOLO モデルが新しいシナリオに対してより適切に汎化できるようになります。Mosaic Augmentation はトレーニングステップごとに利用可能な情報を最大化するため、小さなデータセットには特に価値があります。詳細については、トレーニングガイドを参照してください。

COCO8-Grayscale データセットでトレーニングした YOLO26 モデルをどのように検証できますか？

COCO8-Grayscale でのトレーニング後に YOLO26 モデルを検証するには、Python または CLI でモデルの検証コマンドを使用します。これにより、標準的なメトリクスを使用してモデルのパフォーマンスが評価されます。手順ごとの詳細は、YOLO Validation ドキュメントを参照してください。

Contributors

GLglenn-jocher⁴ RIRizwanMunawar¹ LALaughing-q¹

Created 2025年5月27日Updated 先週