COCO8-Multispectralデータセット

はじめに

Ultralytics COCO8-Multispectralデータセットは、マルチスペクトルオブジェクトdetectモデルの実験を促進するために設計された、元のCOCO8データセットの高度なバリアントです。COCO train 2017セットからの同じ8枚の画像（トレーニング用に4枚、検証用に4枚）で構成されていますが、各画像は10チャネルのマルチスペクトル形式に変換されています。標準のRGBチャネルを超えて拡張することで、COCO8-Multispectralは、より豊富なスペクトル情報を活用できるモデルの開発と評価を可能にします。

COCO8-Multispectral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保証します。

見る: マルチスペクトルデータセットでUltralytics YOLO26をトレーニングする方法 | マルチチャネルVisionAI 🚀

データセットの生成

COCO8-Multispectralのマルチスペクトル画像は、可視スペクトル内の10の等間隔のスペクトルチャネルにわたって元のRGB画像を補間することによって作成されました。プロセスには以下が含まれます。

• 波長割り当て: RGBチャネルへの公称波長の割り当て—赤: 650 nm、緑: 510 nm、青: 475 nm。
• 補間: 450 nm〜700 nmの中間波長でのピクセル値を線形補間を使用して推定し、10のスペクトルチャネルを生成します。
• 外挿は、SciPyの interp1d 元のRGB波長を超えた値を推定し、完全なスペクトル表現を保証する関数。

このアプローチは、マルチスペクトルイメージングプロセスをシミュレートし、モデルのトレーニングと評価のためにより多様なデータセットを提供します。マルチスペクトルイメージングの詳細については、マルチスペクトルイメージングのWikipediaの記事を参照してください。

データセット YAML

COCO8-Multispectralデータセットは、データセットパス、クラス名、および重要なメタデータを定義するYAMLファイルを使用して設定されます。公式の coco8-multispectral.yaml ファイルの Ultralytics GitHubリポジトリ.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-Multispectral dataset (COCO8 images interpolated across 10 channels in the visual spectrum) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-multispectral/
# Example usage: yolo train data=coco8-multispectral.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-multispectral ← downloads here (20.2 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-multispectral # 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)

# Number of multispectral image channels
channels: 10

# 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-multispectral.zip

import cv2
import numpy as np

# Create and write 10-channel TIFF
image = np.ones((10, 640, 640), dtype=np.uint8)  # CHW-order
cv2.imwritemulti("example.tiff", image)

# Read TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  HWC-order for training and inference

使用法

画像サイズ640で100 epoch、COCO8-Multispectralデータセットで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包括的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。

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

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

モデルの選択とベストプラクティスに関する詳細については、Ultralytics YOLOモデルのドキュメントとYOLOモデルのトレーニングのヒントガイドをご覧ください。

サンプル画像とアノテーション

以下は、COCO8-Multispectralデータセットからのモザイク処理された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組み合わせてモザイクオーグメンテーションを使用している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有用性を最大化するため、COCO8-Multispectralのような小規模データセットにとって特に価値があります。

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のコンピューター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。

よくある質問

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

Ultralytics COCO8-Multispectralデータセットは、マルチスペクトル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4枚、検証用4枚）で構成されており、より大規模なデータセットにスケールする前に、YOLO26トレーニングパイプラインを検証し、すべてが期待どおりに機能することを確認するのに最適です。実験用のより多くのデータセットについては、Ultralytics Datasets Catalogをご覧ください。

マルチスペクトルデータは、どのように物体検出を向上させますか？

マルチスペクトルデータは、標準のRGBを超える追加のスペクトル情報を提供し、モデルが波長全体の反射率の微妙な違いに基づいてオブジェクトを区別できるようにします。これにより、特に困難なシナリオで検出精度を向上させることができます。マルチスペクトルイメージングとその高度なコンピュータビジョンにおける応用について詳しく学んでください。

COCO8-MultispectralはUltralytics PlatformおよびYOLOモデルと互換性がありますか？

はい、COCO8-MultispectralはUltralytics Platformおよび最新のYOLO26を含むすべてのYOLOモデルと完全に互換性があります。これにより、データセットをトレーニングおよび検証ワークフローに簡単に統合できます。

データ拡張手法に関する詳細情報はどこで入手できますか？

モザイクなどのデータ拡張手法、およびそれらがモデルの性能に与える影響についてより深く理解するには、YOLOデータ拡張ガイドおよびデータ拡張に関するUltralyticsブログを参照してください。

COCO8-Multispectralをベンチマークまたは教育目的で使用できますか？

もちろんです！COCO8-Multispectralの小規模性とマルチスペクトル特性は、ベンチマーク、教育デモンストレーション、および新しいモデルアーキテクチャのプロトタイピングに最適です。より多くのベンチマークデータセットについては、Ultralytics Benchmark Dataset Collectionを参照してください。

📅 9ヶ月前に作成✏️ 7日前に更新

コメント