COCO8-Multispectralデータセット#
はじめに#
UltralyticsのCOCO8-Multispectralデータセットは、元のCOCO8データセットを発展させたもので、マルチスペクトル物体検出モデルの実験を容易にするために設計されています。COCO train 2017セットの同じ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。標準的な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、コンピュータビジョンのワークフローにシームレスに統合できます。
Watch: How to Train Ultralytics YOLO on Grayscale and Multispectral Datasets | Multi-Channel VisionAI 🚀
データセットの構成#
COCO8-MultispectralはCOCO8と同じ8枚の画像（80種類のCOCO物体クラス全体でトレーニング用4枚、検証用4枚）を共有していますが、各画像は10チャネルのマルチスペクトル.tiffとしてYOLOラベル形式で保存されます。
coco8-multispectral/
├── images/
│ ├── train/ # 4 images (10-channel .tiff)
│ └── val/ # 4 images (10-channel .tiff)
└── labels/
├── train/
└── val/データセットの生成#
COCO8-Multispectralのマルチスペクトル画像は、元のRGB画像を可視スペクトル内の等間隔な10個のスペクトルチャネルにわたって補間することで作成されています。この処理には次の内容が含まれます。
- 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: 450 nmから700 nmの間にある中間波長の画素値を線形補間で推定し、10個のスペクトルチャネルを生成します。
- 外挿: 線形外挿を適用して、元のRGB波長を超える範囲の値を推定し、完全なスペクトル表現を実現します。
この手法はマルチスペクトル画像処理をシミュレートし、モデルのトレーニングと評価に利用できる、より多様なデータセットを提供します。マルチスペクトル画像処理について詳しくは、マルチスペクトル画像処理のWikipedia記事をご覧ください。
データセット YAML#
COCO8-Multispectralデータセットは、データセットのパス、クラス名、基本的なメタデータを定義するYAMLファイルを使用して構成されています。UltralyticsのGitHubリポジトリで公式のcoco8-multispectral.yamlファイルを確認できます。
# 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.zipTIFF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、Ultralyticsで使用できるように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使用方法#
COCO8-Multispectralデータセット（20.2 MB）は、トレーニングを初めて開始すると自動的にダウンロードされます。COCO8-MultispectralでYOLO26nモデルを100エポック、画像サイズ640でトレーニングするには、次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一覧については、YOLOトレーニングドキュメントをご覧ください。
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)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データセットのモザイク化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mosaic augmentationで組み合わせたトレーニングバッチを示しています。モザイク拡張により、各バッチ内の物体とシーンの多様性が増し、さまざまな物体サイズ、アスペクト比、背景に対するモデルの汎化性能が向上します。
この手法は、COCO8-Multispectralのような小規模データセットで特に有効です。トレーニング中に各画像を最大限に活用できるためです。
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 Consortium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、心より感謝いたします。
FAQ#
Ultralyticsの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。8枚の画像（トレーニング用4枚、検証用4枚）のみで構成されているため、大規模なデータセットに拡張する前に、YOLO26の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動作することを確認するのに適しています。実験に使用できる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。
マルチスペクトルデータは、標準的なRGBを超える追加のスペクトル情報を提供し、波長全体の反射率における微妙な違いに基づいて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で検出精度を向上させられます。マルチスペクトル画像処理と、高度なコンピュータビジョンにおけるその用途について詳しく学べます。
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のワークフローに簡単に統合できます。
モザイクなどのデータ拡張手法と、それらがモデルの性能に与える影響について詳しく理解するには、YOLOデータ拡張ガイドおよびデータ拡張に関するUltralyticsブログをご覧ください。
もちろんです。COCO8-Multispectralはサイズが小さくマルチスペクトルであるため、ベンチマーク、教育用デモ、新しいモデルアーキテクチャのプロトタイピングに適しています。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ご覧ください。