コンテンツにスキップ

COCO8データセット

はじめに

ウルトラリティクス UltralyticsCOCO8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容易に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エーションです。COCO train 2017セットと同じ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フォーマット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、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。

マルチスペクトル画像概要

COCO8 Ultralytics HUBと完全に互換性があります。 YOLO11との完全な互換性があり、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。



見る: マルチスペクトルデータセットでUltralytics YOLO11をトレーニングする方法 | Multi-Channel VisionAI 🚀

データセットの生成

COCO8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に並んだ10個のスペクトルチャンネルにわたって補間することによって作成された。このプロセスには以下が含まれる：

  • 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データセットはYAMLファイルを使って設定され、データセットのパス、クラス名、重要なメタデータが定義されています。公式の coco8-multispectral.yaml ファイルの Ultralytics GitHubリポジトリ.

ultralyticsyaml

# 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画像を準備してください。 (channel, height, width) で保存される。 .tiff または .tif そして、その延長線上にあることを確認する。 uint8 Ultralytics使用：

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

COCO8データセットのYOLO11nモデルを、画像サイズ640で100エポック学習させるには、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。

学習の例

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

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

# Train YOLO11n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo11n.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データセットからモザイク処理されたトレーニングバッチの例である：

データセットのサンプル画像

  • 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。

このテクニックはCOCO8ような小さなデータセットには特に有効で、学習時に各画像の有用性を最大限に引き出すことができるからだ。

引用と謝辞

COCO データセットを研究や開発に使用する場合は、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 コンソーシアムの 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感謝する。

よくある質問

Ultralytics COCO8データセットは何に使用されるのか？

Ultralytics COCO8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）から構成されるこのデータセットは、以下のような検証に最適です。 YOLO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最適です。その他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 Ultralytics HUBおよびYOLO モデルと互換性がありますか？

はい、COCO8、Ultralytics HUBおよび最新のYOLO11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、この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することができます。

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。

ベンチマークや教育目的でCOCO8使用できますか？

もちろんです！COCO8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データセットについては、Ultralytics Benchmark Dataset Collectionをご覧ください。



📅 7か月前に作成✏️ 18日前に更新
glenn-jocherY-T-GRizwanMunawarLaughing-q

コメント