COCO8-Grayscale データセット#

Name: COCO8-Grayscale検出データセット
Creator: Ultralytics
License: https://cocodataset.org/#termsofuse
Keywords: COCO8-Grayscale, Ultralytics, データセット, 物体検出, YOLO26, 学習, 検証, 機械学習, コンピュータビジョン

はじめに#

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 (トレーニング用 4 枚、検証用 4 枚) をグレースケール形式に変換して構成された、コンパクトでありながら強力なオブジェクト検出データセットです。このデータセットは、YOLO の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を用いた迅速なテスト、デバッグ、および検証を目的として特別に設計されています。小規模であるため管理が非常に容易でありながら、多様性を備えているため、大規模なデータセットにスケールアップする前の効果的な動作確認 (サニティチェック) として機能します。

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

データセットの構造#

COCO8-Grayscale は、COCO train 2017 セットの最初の 8 枚の画像を全 80 の COCO オブジェクトクラスにわたってトレーニング用に 4 枚、検証用に 4 枚に分割した COCO8 を反映していますが、各画像は単一チャネル (channels: 1) のグレースケール画像としてYOLO ラベル形式で保存されます。

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

Ultralytics Platform の COCO8-Grayscale を探索して、アノテーションオーバーレイ付きのすべての画像を閲覧し、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、クラウド上で独自のモデルをトレーニングするためにクローンを作成してください。

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が指定されています。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るため、別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 100 エポックの間、COCO8-Grayscale で YOLO26n モデルを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完全なリストについては、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（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。

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}
}

computer vision コミュニティへの継続的な貢献に対して、COCO Consortium に心より感謝いたします。

よくある質問 (FAQ)#

Ultralytics 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、オブジェクト検出モデルの迅速なテストとデバッグ向け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 の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スケール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 設定をご確認ください。