はじめる

COCO8-Multispectralデータセット

COCO8 Multispectral preview 1
COCO8 Multispectral preview 2
COCO8 Multispectral preview 3
COCO8 Multispectral preview 4
8
COCO8 Multispectral
ultralytics
PublicDetect

Synthetic multispectral TIFFs made from COCO everyday-scene photos, with object boxes, for testing multi-channel detection pipelines. Created by Ultralytics by interpolating each COCO8 RGB image into 10 evenly spaced bands from 450 to 700 nm, so the extra channels are simulated rather than real sensor data. Source: Lin et al., "Microsoft COCO: Common Objects in Context," ECCV 2014; docs.ultralytics.com/datasets/detect/coco8-multispectral.

80 classes20.3 MBOct 23, 2026
personbicyclecarmotorcycle+76

はじめに#

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を試すための、オリジナルのCOCO8データセットの派生版です。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、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チャネルを超えて情報を拡張することで、COCO8-Multispectralは、より豊富なスペクトル情報を利用す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で利用できるため、コンピュータービジョンのワークフローで直接使用できます。



視聴: グレースケール・マルチスペクトルデータセットで Ultralytics YOLO をトレーニングする方法 | マルチチャンネル VisionAI 🚀

データセットの構成#

COCO8-MultispectralはCOCO8と同じ8枚の画像(トレーニング用4枚、検証用4枚)を使用し、80個のCOCOクラス名でラベル付けされています。ただし、各画像はYOLOラベル形式の10チャンネルマルチスペクトル.tiffとして保存されます。

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ンネルに補間して作成されています。この処理には次の工程が含まれます。

  • 波長の割り当て: 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: 線形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。

この方法はマルチスペクトル撮像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に使用できる、より多様なデータを提供します。マルチスペクトル撮像について詳しくは、マルチスペクトル撮像に関するWikipediaの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YAMLファイルで設定されており、データセットのパス、クラス名、重要なメタデータを定義します。Ultralytics 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/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

TIFF画像を(channel, height, width)順で準備し、.tiffまたは.tif拡張子で保存します。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

# 10チャンネルTIFFを作成して書き込む
image = np.ones((10, 640, 640), dtype=np.uint8)  # CHW順
cv2.imwritemulti("example.tiff", image)

# TIFFを読み込む
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  学習および推論用のHWC順序

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したときに自動でダウンロードされます。以下の例を使用すると、COCO8-Multispectralで画像サイズ640、100エポックの条件でYOLO26nモデルをトレーニングできます。

トレーニング例
from ultralytics import YOLO

# 事前学習済みYOLO26nモデルを読み込む
model = YOLO("yolo26n.pt")

# COCO8-Multispectralでモデルをトレーニングする
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モデルのドキュメントとYOLOモデルのトレーニングのヒントをご覧ください。

サンプル画像とアノテーション#

以下は、COCO8-Multispectralデータセットから作成したモザイク状の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、複数のデータセット画像をモザイク拡張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、各バッチ内のオブジェクトやシーンの多様性が高まり、さまざまなオブジェクトサイズ、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用です。トレーニング中に各画像を最大限に活用できます。

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。

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}
}

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対し、COCO Consortiumに心より感謝いたします。

よくある質問#

  • 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を目的に設計されています。画像はわずか8枚(トレーニング用4枚、検証用4枚)で、YOLO26の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拡張する前にすべてが想定どおりに機能することを確認するのに最適です。

  • マルチスペクトルデータは、標準的なRGBを超えるスペクトル情報を提供するため、波長ごとの反射率のわずかな違いに基づいて物体を識別できます。これにより、特に低照度やカモフラージュなどの難しい状況で、検出精度を向上させられます。

  • はい。COCO8-Multispectralは、トレーニングと検証の両方でUltralytics PlatformおよびYOLO26を含むUltralytics YOLOモデルで利用できます。

  • 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データ拡張ガイドとデータ拡張に関するUltralyticsブログを参照してください。

  • 教育目的のデモ、新しいモデルアーキテクチャのプロトタイピング、マルチチャネルパイプラインの検証に適しています。画像は8枚のみで、意味のあるベンチマークには小さすぎるため、代表的な指標が必要な場合は、より大規模なデータセットを使用してください。

コメント1

質問したり、結果を共有したり、ほかの人をサポートしたりできます。

  1. brenoslinharesGitHub

    Good afternoon.

    I reproduced it for detection and it worked normally. However, adapting the COCO8-Multispectral dataset for classification, as well as the .yaml file when loading the model with channels equal to 10 and the dataset root path in data, returns the following error: RuntimeError: Given groups=1, weight of size [16, 10, 3, 3], expected input [4, 3, 640, 640] to have 10 channels, but got 3 channels instead.

    Is it possible to use it for classification, including with data augmentation? How would this be possible? Has there been an update for this task?

    Thank you in advance.