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。これは COCO train 2017 セットから選ばれた同じ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チャン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 チャン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 ワークフローへのシームレスな統合を保証します。

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個の等間隔スペクトルチャンネルにわたってオリジナルの 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。

• 波長割り当て: RGB チャン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 の中間の波長におけるピクセル値を推定し、10個のスペクトルチャンネルを生成します。
• 外挿: SciPy の interp1d 関数による外挿を適用して、オリジナルの 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撮像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。マルチスペクトル撮像に関する詳細は、マルチスペクトル撮像の Wikipedia 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構成されます。公式の coco8-multispectral.yaml ファイルは、Ultralytics GitHub リポジトリ で確認できます。

# 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.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

使用方法

COCO8-Multispectral データセットで YOLO26n モデルを 100 エポック トレーニングし、画像サイズを 640 にするには、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 トレーニングのドキュメント 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)

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。

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化されたトレーニングバッチの例です。

• モザイク化された画像: 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、背景に対してよりよく汎化できるようにします。

この手法は、COCO8-Multispectral のような小さなデータセットにおいて特に価値があり、トレーニング中に各画像の有用性を最大化します。

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：

@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}
}

Special thanks to the COCO Consortium for their ongoing contributions to the computer vision community.

FAQ

Ultralytics COCO8-Multispectral データセットは何のために使用されますか？

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、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理想的です。その他の実験用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どのように物体検出を改善しますか？

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が向上します。マルチスペクトル撮像 と 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、トレーニングおよび検証のワークフローにデータセットを簡単に統合できます。

データオーグメンテーションの手法に関する詳細はどこで見つけられますか？

モザイクなどのデータオーグメンテーション手法と、それがモデルのパフォーマンスに与える影響をより深く理解するには、YOLO データオーグメンテーションガイド および データオーグメンテーションに関する Ultralytics ブログ を参照してください。

COCO8-Multispectral をベンチマークや教育目的で使用できますか？

もちろんです！COCO8-Multispectral のサイズが小さいこととマルチスペクトルという性質は、ベンチマーク、教育的な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。さらなるベンチマーク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。