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

Link to this sectionはじめに#

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実験を促進するために設計された、オリジナルの COCO8 データセットの高度なバリアントです。COCO train 2017 セットに含まれる同じ 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。COCO8-Multispectral は、標準的な RGB チャネルを超えて拡張することで、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。

Multispectral imaging for object detection

COCO8-Multispectral は Ultralytics Platform および YOLO26 と完全に互換性があり、コンピュータビジョンワークフローへのシームレスな統合を実現します。

Watch: How to Train Ultralytics YOLO26 on Multispectral Datasets | Multi-Channel VisionAI 🚀

Link to this section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等間隔に配置された 10 個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で作成されました。このプロセスには以下が含まれます。

波長の割り当て: RGB チャネルに公称波長を割り当てます（赤: 650 nm、緑: 510 nm、青: 475 nm）。
補間: 線形補間を使用して 450 nm から 700 nm の中間波長における画素値を推定し、10 個のスペクトルチャネルを作成します。
外挿: SciPy の interp1d 関数による外挿を適用して、元の RGB 波長範囲外の値を推定し、完全なスペクトル表現を確保します。

このアプローチはマルチスペクトルイメージングの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、Multispectral Imaging Wikipedia article を参照してください。

Link to this sectionデータセット YAML#

COCO8-Multispectral データセットは、データセットのパス、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 ファイルは、Ultralytics GitHub repository で確認できます。

ultralytics/cfg/datasets/coco8-multispectral.yaml

# 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

注意

TIFF 画像を (channel, height, width) の順序で準備し、.tiff または .tif 拡張子で保存してください。また、Ultralytics で使用するために uint8 であることを確認してください。

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

Link to this section使用方法#

COCO8-Multispectral データセットで YOLO26n モデルを 100 エポック（画像サイズ 640）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 トレーニングの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-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

モデルの選択とベストプラクティスの詳細については、Ultralytics YOLO モデルドキュメントおよび YOLO モデルトレーニングのヒントガイドをご覧ください。

Link to this sectionサンプル画像とアノテーション#

以下は、COCO8-Multispectral データセットから生成されたモザイク化トレーニングバッチの例です。

COCO8 multispectral dataset mosaic training batch

モザイク画像: この画像は、モザイクオーギュメンテーションを使用して複数のデータセット画像を組み合わせたトレーニングバッチを示しています。モザイクオーギュメンテーションは各バッチ内の物体やシーンの多様性を高め、モデルがさまざまな物体のサイズ、アスペクト比、背景に対してより良く汎化できるようにします。

この手法は、COCO8-Multispectral のような小規模なデータセットにとって特に価値があり、トレーニング中の各画像の有用性を最大限に引き出します。

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：

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}
}

COCO コンソーシアム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心から感謝いたします。

Link to this sectionよくある質問 (FAQ)#

Link to this sectionUltralytics 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用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、YOLO26 トレーニングパイプラインを検証し、より大きなデータセットに拡張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理想的です。実験用のその他のデータセットについては、Ultralytics データセットカタログをご覧ください。

Link to this section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的な RGB を超えた追加のスペクトル情報を提供し、波長ごとの反射率の微妙な違いに基づいてモデルが物体を識別できるようにします。これにより、特に困難なシナリオにおいて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および高度なコンピュータビジョンにおける応用例について、詳細をご覧ください。

Link to this sectionCOCO8-Multispectral は Ultralytics Platform や 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、トレーニングや検証ワークフローにデータセットを簡単に統合できます。

Link to this sectionデータオーギュメンテーションの手法に関する詳細情報はどこで見つけられますか？#

モザイクなどのデータオーギュメンテーション手法とモデルパフォーマンスへの影響について深く理解するには、YOLO データオーギュメンテーションガイドおよびデータオーギュメンテーションに関する Ultralytics ブログを参照してください。

Link to this sectionCOCO8-Multispectral をベンチマークや教育目的で使用できますか？#

もちろんです！COCO8-Multispectral はその小規模さとマルチスペクトルという性質上、ベンチマーク、教育的なデモンストレーション、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。その他のベンチマーク用データセットについては、Ultralytics ベンチマークデータセットコレクションを参照してください。

貢献者

GLglenn-jocher⁷ Y-Y-T-G¹ RIRizwanMunawar¹ LALaughing-q¹

作成日 2025年4月18日更新日先月