Link to this sectionCOCO8-Grayscale データセット#

Link to this sectionはじめに#

UltralyticsのCOCO8-Grayscaleデータセットは、コンパクトながら強力なobject detection用データセットです。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、トレーニング用に4枚、バリデーション用に4枚が含まれています。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、実験を目的として設計されています。サイズが小さいため非常に扱いやすく、かつ多様性を備えているため、より大きなデータセットに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。

COCO8-Grayscale は Ultralytics Platform および YOLO26 と完全に互換性があり、コンピュータービジョンワークフローへのシームレスな統合が可能です。

Link to this sectionデータセット YAML#

COCO8-Grayscale データセットの設定は YAML (Yet Another Markup Language) 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が指定されています。公式の coco8-grayscale.yaml ファイルは、Ultralytics GitHub repository で確認できます。

# 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

Link to this section使用方法#

COCO8-Grayscale データセットを使用して 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 documentation を参照してください。

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)

Link to this section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トレーニングバッチの例です：

• 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（データ拡張）で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のサイズ、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 のような小規模なデータセットに特に有効であり、トレーニング中における各画像の価値を最大化します。

Link to this section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：

@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}
}

COCO Consortiumによる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深く感謝いたします。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics COCO8-Grayscale データセットの用途は何ですか？#

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、バリデーション用4枚）で構成されており、YOLOのトレーニングパイプラインを検証し、より大規模なデータセットへ移行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最適です。詳細については、COCO8-Grayscale YAML configurationをご覧ください。

Link to this sectionCOCO8-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？#

COCO8-Grayscale 上での YOLO26 モデルのトレーニングは、Python または CLI を使用して実行できます：

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 トレーニングのドキュメントを参照してください。

Link to this sectionCOCO8-Grayscale のトレーニング管理に Ultralytics Platform を使用する利点は何ですか？#

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、リアルタイムモニタリング、直感的なデータセット処理などの機能を備えたHUBを利用すれば、ワンクリックで実験を開始でき、手動設定の煩わしさを解消できます。Ultralytics Platformの詳細と、それがどのようにコンピュータビジョンプロジェクトを加速できるかをご確認ください。

Link to this sectionCOCO8-Grayscale データセットを使用したトレーニングでモザイク拡張を使用するメリットは何ですか？#

COCO8-Grayscaleのトレーニングで使用されるMosaicデータ拡張は、各バッチで複数の画像を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優れた汎化性能を持つようになります。Mosaicデータ拡張は、トレーニングの各ステップで利用可能な情報を最大化するため、小規模なデータセットで特に有効です。詳細については、training guideをご覧ください。

Link to this sectionCOCO8-Grayscale データセットでトレーニングした YOLO26 モデルを検証するにはどうすればよいですか？#

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 でモデルのバリデーションコマンドを使用します。これにより、標準的な指標を使用してモデルのパフォーマンスが評価されます。手順の詳細については、YOLO Validation documentation を参照してください。