コンテンツへスキップ

COCO8-グレースケール・データセット

はじめに

Ultralytics COCO8-Grayscale データセットは、コンパクトながら強力な物体検出データセットであり、COCO train 2017 セットの最初の 8 つの画像をグレースケール形式に変換したものです(トレーニング用 4 つ、検証用 4 つ)。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を使用した迅速なテスト、デバッグ、実験のために特別に設計されています。サイズが小さいため非常に管理しやすく、多様性があるため、より大規模なデータセットにスケールアップする前に、効果的な健全性チェックとして機能します。

COCO8-GrayscaleはUltralytics HUBと完全に互換性があります。 YOLO11との完全な互換性があり、コンピュータ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データセットの構成は、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 ファイルの Ultralytics GitHubリポジトリ.

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.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

画像サイズ640でCOCO8-Grayscaleデータセット上でYOLO11n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 Trainingドキュメントを参照してください。

列車の例

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640

サンプル画像と注釈

以下は、COCO8-グレースケール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。

データセットサンプル画像

  • 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、COCO8-Grayscaleのような小さなデータセットで特に役立ちます。トレーニング中に各画像の価値を最大化できるためです。

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。

@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コンソーシアム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感謝します。

よくあるご質問

Ultralytics COCO8グレースケールデータセットは何に使用されますか?

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、検証用 4 枚)で、YOLO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にスケールする前にすべてが期待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 構成をご覧ください。

COCO8グレースケールデータセットを使用してYOLO11モデルをトレーニングするにはどうすればよいですか?

pythonまたはCLIのいずれかを使用して、COCO8-GrayscaleでYOLO11モデルをトレーニングできます。

列車の例

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.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=yolo11n.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グレースケールトレーニングの管理にUltralytics HUBを使用する理由

Ultralytics HUB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を使用すると、シングルクリックで実験を開始し、手動セットアップの手間を省くことができます。Ultralytics HUBの詳細と、それがコンピュータビジョンプロジェクトをどのように加速できるかについて学びましょう。

COCO8グレースケールデータセットを使用したトレーニングでモザイクオーグメンテーションを使用する利点は何ですか?

COCO8-Grayscaleのトレーニングで使用されているモザイク拡張は、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高まり、YOLOモデルが新しいシナリオに対してより適切に一般化できるようになります。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、小規模なデータセットに特に役立ちます。詳細については、トレーニングガイドを参照してください。

COCO8グレースケールデータセットでトレーニングしたYOLO11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後、pythonまたはCLIでモデルの検証コマンドを使用してYOLO11モデルを検証します。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。ステップごとの手順については、YOLO Validationドキュメントを参照してください。



📅作成:1ヶ月前 ✏️更新しました 1ヶ月前

コメント