コンテンツにスキップ

COCO8-Grayscaleデータセット

はじめに

The Ultralytics COCO8-Grayscaleデータセットは、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、コンパクトでありながら強力な物体検出データセットです。トレーニング用に4枚、検証用に4枚が含まれています。このデータセットは、YOLOグレースケールモデルおよびトレーニングパイプラインの迅速なテスト、デバッグ、実験のために特別に設計されています。その小さなサイズは管理を非常に容易にし、その多様性は、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することを保証します。



見る: グレースケールデータセットでUltralytics YOLO26 をトレーニングする方法 🚀

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を可能にします。

データセット YAML

COCO8-Grayscaleデータセットの設定は、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するyaml (Yet Another Markup Language) ファイルで定義されています。公式のものを確認できます coco8-grayscale.yaml ファイルの Ultralytics GitHubリポジトリ.

注

RGB画像をグレースケールでトレーニングするには、以下を追加するだけです。 channels: 1 データセットYAMLファイルに追加します。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、個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

使用法

COCO8-Grayscaleデータセットで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、以下の例を使用してください。トレーニングオプションの全リストについては、YOLOトレーニングドキュメントを参照してください。

学習の例

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)

# Train YOLO26n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo26n.pt epochs=100 imgsz=640

サンプル画像とアノテーション

以下は、COCO8-Grayscaleデータセットからのモザイク化されたトレーニングバッチの例です。

COCO8 データセット モザイクトレーニングバッチ

  • モザイク画像: 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、および背景に対してより適切に汎化するのに役立ちます。

この手法は、トレーニング中に各画像の価値を最大化するため、COCO8-Grayscaleのような小さなデータセットに特に有用です。

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、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がコンピュータービジョンコミュニティに継続的に貢献していることに深く感謝いたします。

よくある質問

Ultralytics COCO8-Grayscaleデータセットは何に使用されますか？

The Ultralytics 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（トレーニング用に4枚、検証用に4枚）で構成されており、より大きなデータセットにスケールアップする前に、YOLOトレーニングパイプラインを検証し、すべてが期待通りに機能することを確認するのに理想的です。詳細については、COCO8-Grayscale YAML configurationをご覧ください。

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？

YOLO26モデルをCOCO8-Grayscaleでトレーニングするには、PythonまたはCLIのいずれかを使用できます。

学習の例

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)

yolo detect train data=coco8-grayscale.yaml model=yolo26n.pt 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。

COCO8-Grayscaleトレーニングの管理に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処理などの機能により、HUBはワンクリックで実験を開始でき、手動設定の手間を省きます。Ultralytics Platform 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について、さらに詳しく学びましょう。

COCO8-Grayscaleデータセットでのトレーニングにおいてモザイク拡張を使用する利点は何ですか？

COCO8-Grayscaleトレーニングで使用されるモザイク拡張は、各バッチで複数の画像を1つに結合します。これにより、オブジェクトと背景の多様性が増し、YOLOモデルが新しいシナリオに対してより良く汎化するのに役立ちます。モザイク拡張は、各トレーニングステップで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とって特に価値があります。詳細については、training guide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モデルを検証するにはどうすればよいですか？

COCO8-Grayscaleでトレーニングした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。ステップバイステップの手順については、YOLO検証ドキュメントをご覧ください。



📅 7ヶ月前に作成✏️ 2日前に更新
glenn-jocherRizwanMunawarLaughing-q

コメント