콘텐츠로 건너뛰기

COCO8-Grayscale 데이터셋

소개

The Ultralytics COCO8-Grayscale 데이터셋은 COCO train 2017 세트의 첫 8개 이미지를 그레이스케일 형식으로 변환한(훈련용 4개, 검증용 4개) 작지만 강력한 객체 detect 데이터셋입니다. 이 데이터셋은 YOLO 그레이스케일 모델 및 훈련 파이프라인의 신속한 테스트, 디버깅 및 실험을 위해 특별히 설계되었습니다. 작은 크기로 인해 관리가 용이하며, 다양성은 더 큰 데이터셋으로 확장하기 전에 효과적인 건전성 검사 역할을 보장합니다.



참고: 그레이스케일 데이터셋에서 Ultralytics YOLO26 훈련하는 방법 🚀

COCO8-Grayscale은 Ultralytics Platform 및 YOLO26과 완벽하게 호환되어 컴퓨터 비전 워크플로에 원활하게 통합할 수 있습니다.

데이터세트 YAML

COCO8-Grayscale 데이터셋 구성은 데이터셋 경로, 클래스 이름 및 기타 필수 메타데이터를 지정하는 yaml(Yet Another Markup Language) 파일에 정의되어 있습니다. 공식 coco8-grayscale.yaml 파일을 Ultralytics GitHub 저장소.

참고

RGB 이미지를 회색조로 훈련하려면 다음을 추가하기만 하면 됩니다. channels: 1 데이터셋 YAML 파일에 연결합니다. 이렇게 하면 학습 중에 모든 이미지가 흑백으로 변환되어 별도의 데이터셋 없이도 흑백의 이점을 활용할 수 있습니다.

ultralytics/cfg/datasets/coco8-grayscale.yaml

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale ← downloads here (1 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-grayscale # 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)

channels: 1

# 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-grayscale.zip

사용법

이미지 크기 640으로 COCO8-Grayscale 데이터셋에서 100 에포크 동안 YOLO26n 모델을 훈련하려면 다음 예시를 사용하십시오. 전체 훈련 옵션 목록은 YOLO 훈련 문서를 참조하십시오.

훈련 예제

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

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

# Train YOLO26n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo26n.pt epochs=100 imgsz=640

샘플 이미지 및 주석

아래는 COCO8-Grayscale 데이터셋에서 가져온 모자이크 처리된 훈련 배치 예시입니다:

COCO8 데이터셋 모자이크 훈련 배치

  • 모자이크 이미지: 이 이미지는 모자이크 증강을 사용하여 여러 데이터 세트 이미지를 결합한 훈련 배치를 보여줍니다. 모자이크 증강은 각 배치 내에서 객체와 장면의 다양성을 증가시켜 모델이 다양한 객체 크기, 종횡비 및 배경에 더 잘 일반화되도록 돕습니다.

이 기술은 훈련 중 각 이미지의 가치를 극대화하므로 COCO8-Grayscale과 같은 작은 데이터셋에 특히 유용합니다.

인용 및 감사의 말씀

연구 또는 개발에서 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주십시오:

@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 컨소시엄이 컴퓨터 비전 커뮤니티에 지속적으로 기여해 주신 점에 대해 특별히 감사드립니다.

FAQ

Ultralytics COCO8-Grayscale 데이터셋은 무엇에 사용되나요?

Ultralytics COCO8-Grayscale 데이터셋은 객체 detect 모델의 신속한 테스트 및 디버깅을 위해 설계되었습니다. 단 8개의 이미지(훈련용 4개, 검증용 4개)로 구성되어 있어, 더 큰 데이터셋으로 확장하기 전에 YOLO 훈련 파이프라인을 검증하고 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 자세한 내용은 COCO8-Grayscale yaml 구성을 살펴보세요.

COCO8-Grayscale 데이터셋을 사용하여 YOLO26 모델을 훈련하는 방법은 무엇입니까?

Python 또는 CLI를 사용하여 COCO8-Grayscale에서 YOLO26 모델을 훈련할 수 있습니다.

훈련 예제

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

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

yolo detect train data=coco8-grayscale.yaml model=yolo26n.pt epochs=100 imgsz=640

추가 학습 옵션은 YOLO 학습 설명서를 참조하십시오.

COCO8-Grayscale 훈련 관리에 Ultralytics Platform을 사용해야 하는 이유는 무엇입니까?

Ultralytics Platform은 COCO8-Grayscale을 포함한 YOLO 모델의 데이터셋 관리, 훈련 및 배포를 간소화합니다. 클라우드 훈련, 실시간 모니터링, 직관적인 데이터셋 처리와 같은 기능을 통해 HUB는 클릭 한 번으로 실험을 시작하고 수동 설정의 번거로움을 없애줍니다. Ultralytics Platform에 대해 자세히 알아보고 컴퓨터 비전 프로젝트를 가속화하는 방법을 확인하십시오.

COCO8-Grayscale 데이터셋으로 훈련할 때 모자이크 증강을 사용하면 어떤 이점이 있나요?

COCO8-그레이스케일 훈련에서 사용되는 모자이크 증강은 각 배치에서 여러 이미지를 하나로 결합합니다. 이는 객체와 배경의 다양성을 높여 YOLO 모델이 새로운 시나리오에 더 잘 일반화되도록 돕습니다. 모자이크 증강은 각 훈련 단계에서 사용 가능한 정보를 최대화하므로 작은 데이터셋에 특히 유용합니다. 자세한 내용은 훈련 가이드를 참조하십시오.

COCO8-Grayscale 데이터셋으로 훈련된 YOLO26 모델을 어떻게 검증할 수 있습니까?

COCO8-Grayscale에서 훈련한 YOLO26 모델을 검증하려면 Python 또는 CLI에서 모델의 검증 명령을 사용하십시오. 이는 표준 지표를 사용하여 모델의 성능을 평가합니다. 단계별 지침은 YOLO 검증 문서를 참조하십시오.



5; 7 전에 생성됨 ✏️ 2 전에 업데이트됨
glenn-jocherRizwanMunawarLaughing-q

댓글