COCO8-Grayscaleデータセット#
はじめに#
Ultralytics COCO8-Grayscaleデータセットは、コンパクトながら高性能なオブジェクト検出データセットです。COCO train 2017セットの最初の8枚の画像をグレースケール形式に変換したもので、トレーニング用4枚、検証用4枚で構成されています。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、実験を目的に設計されています。サイズが小さいため扱いやすく、画像の多様性により、大規模なデータセットに拡張する前の有効な動作確認に利用できます。
視聴: グレースケール・マルチスペクトルデータセットで Ultralytics YOLO をトレーニングする方法 | マルチチャンネル VisionAI 🚀
データセットの構成#
COCO8-GrayscaleはCOCO8と同じく、COCO train 2017セットの最初の8枚の画像（トレーニング用4枚、検証用4枚）で構成され、80個のCOCOクラス名を使ってラベル付けされています。ただし、各画像はYOLOラベル形式の単一チャンネルグレースケール画像channels: 1として保存されます。
coco8-grayscale/
├── images/
│ ├── train/ # 4 images
│ └── val/ # 4 images
└── labels/
├── train/
└── val/Ultralytics Platform上のCOCO8-Grayscaleでは、アノテーションを重ねたすべての画像を確認し、Chartsタブでクラス分布とバウンディングボックスのヒートマップを表示できます。また、データセットをクローンして、クラウド上で独自モデルのトレーニングに使用できます。
データセットYAML#
COCO8-Grayscaleデータセットの設定はYAMLファイルで定義されており、データセットのパス、クラス名、その他の重要なメタデータを指定します。Ultralytics GitHubリポジトリで公式のcoco8-grayscale.yamlファイルを確認できます。
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用意せずにグレースケールのメリットを活用できます。
# 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（1 MB）は、トレーニングを初めて開始したときに自動でダウンロードされます。COCO8-GrayscaleでYOLO26nモデルを画像サイズ640、100エポックでトレーニングするには、次の例を使用してください。トレーニングオプションの一覧については、YOLOトレーニングのドキュメントをご覧ください。
from ultralytics import YOLO
# 事前学習済みYOLO26nモデルを読み込む
model = YOLO("yolo26n.pt")
# COCO8-Grayscaleでモデルをトレーニング
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データセットのモザイクトレーニングバッチの例です。
- モザイク画像: モザイク拡張を使用して、複数のデータセット画像を組み合わせたトレーニングバッチを示しています。モザイク拡張は各バッチ内のオブジェクトやシーンの多様性を高め、さまざまなオブジェクトサイズ、アスペクト比、背景に対するモデルの汎化性能を高めます。
この手法はCOCO8-Grayscaleのような小規模データセットで特に役立ち、トレーニング中に各画像を最大限に活用できます。
引用と謝辞#
研究または開発で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。
@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}
}コンピュータービジョンコミュニティへの継続的な貢献に対し、COCO Consortiumに心より感謝します。
よくある質問#
Ultralytics COCO8-Grayscaleデータセットは、オブジェクト検出モデルの迅速なテストとデバッグを目的に設計されています。画像は8枚（トレーニング用4枚、検証用4枚）のみで、YOLOトレーニングパイプラインを検証し、大規模なデータセットに拡張する前にすべてが想定どおりに動作することを確認するのに適しています。詳細については、COCO8-Grayscale YAML設定をご覧ください。
PythonまたはCLIを使って、COCO8-GrayscaleでYOLO26モデルをトレーニングできます。
トレーニング例from ultralytics import YOLO # 事前学習済みYOLO26nモデルを読み込む model = YOLO("yolo26n.pt") # COCO8-Grayscaleでモデルをトレーニング 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トレーニングのドキュメントをご覧ください。
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。標準的な指標を使ってモデルの性能を評価できます。手順については、YOLO検証のドキュメントをご覧ください。