Ultralytics YOLO27:
CC BY 4.0

COCO8-Grayscaleデータセット#

はじめに#

UltralyticsのCOCO8-Grayscaleデータセットは、コンパクトでありながら高性能な物体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、実験用に特別に設計されています。サイズが小さいため扱いやすく、画像の多様性も確保されているため、より大規模なデータセットに拡張する前の効果的なサニティチェックとして利用できます。



Watch: How to Train Ultralytics YOLO on Grayscale and Multispectral Datasets | Multi-Channel VisionAI 🚀

データセットの構成#

COCO8-Grayscaleは、COCO train 2017セットの最初の8枚の画像をトレーニング用4枚と検証用4枚に分割し、80種類のCOCOオブジェクトクラスすべてを含むCOCO8をベースにしています。ただし、各画像はYOLOラベル形式の単一チャンネル（channels: 1）グレースケール画像として保存されています。

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Ultralytics Platform上のCOCO8-Grayscaleでは、アノテーションのオーバーレイ付きですべての画像を閲覧したり、Chartsタブでクラス分布やバウンディングボックスのヒートマップを確認したり、クローンしてクラウド上で独自のモデルをトレーニングしたりできます。

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。公式のcoco8-grayscale.yamlファイルは、Ultralytics GitHubリポジトリで確認できます。

注記

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、別個のデータセットを用意することなくグレースケールの利点を活用できます。

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（1 MB）は、トレーニングを初めて開始するときに自動的にダウンロードされます。画像サイズ640で、COCO8-Grayscaleを使用してYOLO26nモデルを100エポックトレーニングするには、以下の例を使用します。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参照してください。

トレーニング例
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データセットから作成したモザイク処理済みトレーニングバッチの例です。

COCO8 grayscale dataset mosaic training batch
  • モザイク処理済み画像：この画像は、モザイクオーグメンテーション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。モザイクオーグメンテーションは、各バッチ内の物体やシーンの多様性を高め、さまざまな物体サイズ、アスペクト比、背景に対するモデルの汎化性能を向上させます。

この手法は、トレーニング中に各画像の価値を最大限に高められるため、COCO8-Grayscaleのような小規模なデータセットに特に有効です。

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、次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}
}

コンピュータビジョンコミュニティへの継続的な貢献に対して、COCO Consortiumに心より感謝します。

FAQ#

  • UltralyticsのCOCO8-Grayscaleデータセットは、物体検出モデルの迅速なテストとデバッグ用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）のみであるため、より大規模なデータセットに拡張する前に、YOLOのトレーニングパイプラインを検証し、すべてが想定どおりに動作することを確認するのに最適です。詳細については、COCO8-Grayscale YAML設定を確認してください。

  • PythonまたはCLIを使用して、COCO8-Grayscale上で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

# 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)

    追加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のトレーニングで使用されるMosaic拡張は、各バッチで複数の画像を1枚に結合します。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適切に汎化できるようになります。Mosaic拡張は、各トレーニングステップで利用できる情報を最大限に活用できるため、小規模なデータセットに特に有効です。詳しくは、トレーニングガイドを参照してください。

  • 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。これにより、標準メトリクスを使用し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参照してください。

貢献者
GLglenn-jocher6RAraimbekovm4PDpderrenger1RIRizwanMunawar1LALaughing-q1

コメント