YOLO Vision 2026:
CC BY 4.0

COCO8-Grayscale 데이터셋#

소개#

Ultralytics COCO8-Grayscale 데이터셋은 COCO train 2017 세트의 처음 8개 이미지를 가져와 그레이스케일 형식(훈련용 4개, 검증용 4개)으로 변환한 작지만 강력한 object detection 데이터셋입니다. 이 데이터셋은 YOLO 그레이스케일 모델 및 훈련 파이프라인을 통한 빠른 테스트, 디버깅, 실험을 위해 특별히 설계되었습니다. 크기가 작아 관리가 매우 용이하며, 다양한 특성을 갖추고 있어 더 큰 데이터셋으로 확장하기 전에 효과적인 기본 검증(sanity check) 역할을 수행합니다.



Watch: How to Train Ultralytics YOLO on Grayscale and Multispectral Datasets | Multi-Channel VisionAI 🚀

데이터셋 구조#

COCO8-Grayscale은 COCO8—COCO train 2017 세트의 처음 8개 이미지를 80개의 모든 COCO 객체 클래스에 걸쳐 훈련용 4개와 검증용 4개로 나눈 데이터셋—과 동일하지만, 각 이미지가 단일 채널(channels: 1) 그레이스케일 이미지로 YOLO label format에 저장됩니다:

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

COCO8-Grayscale on Ultralytics Platform을 탐색하여 어노테이션 오버레이가 포함된 모든 이미지를 살펴보고, Charts 탭에서 클래스 분포 및 바운딩 박스 히트맵을 확인한 후, 클라우드에서 나만의 모델을 훈련하기 위해 이를 복제할 수 있습니다.

데이터셋 YAML#

COCO8-Grayscale 데이터셋 설정은 YAML 파일로 정의되며, 이 파일은 데이터셋 경로, 클래스 이름 및 기타 필수 메타데이터를 지정합니다. Ultralytics GitHub repository에서 공식 coco8-grayscale.yaml 파일을 확인할 수 있습니다.

참고

RGB 이미지를 그레이스케일로 훈련하려면 데이터셋 YAML 파일에 단순히 channels: 1을 추가하면 됩니다. 이렇게 하면 훈련 중에 모든 이미지가 그레이스케일로 변환되므로, 별도의 데이터셋 없이도 그레이스케일의 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#

COCO8-Grayscale 데이터셋(1MB)은 훈련을 처음 시작할 때 자동으로 다운로드됩니다. 이미지 크기를 640으로 설정하고 COCO8-Grayscale에서 YOLO26n 모델을 100 epochs 동안 훈련하려면 다음 예시를 사용하십시오. 전체 훈련 옵션 목록은 YOLO Training documentation을 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)

샘플 이미지 및 주석#

다음은 COCO8-Grayscale 데이터셋의 모자이크 처리된 학습 배치 예시입니다:

COCO8 grayscale dataset mosaic training batch
  • 모자이크 이미지: 이 이미지는 모자이크 증강을 사용하여 여러 데이터셋 이미지를 결합한 학습 배치를 보여줍니다. 모자이크 증강은 각 배치 내 객체와 장면의 다양성을 높여 모델이 다양한 객체 크기, 종횡비 및 배경에 더 잘 일반화되도록 돕습니다.

이 기법은 COCO8-Grayscale과 같은 소규모 데이터셋에 특히 유용하며, 학습 중 각 이미지의 가치를 극대화합니다.

인용 및 감사의 글#

연구나 개발에 COCO 데이터셋을 사용하는 경우, 다음 논문을 인용해 주십시오:

인용
@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}
}

computer vision 커뮤니티에 지속적으로 기여해 주시는 COCO Consortium에 깊은 감사를 드립니다.

FAQ#

Ultralytics COCO8-Grayscale 데이터셋은 어디에 사용됩니까?#

Ultralytics COCO8-Grayscale 데이터셋은 object detection 모델의 빠른 테스트와 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 configuration을 참조하십시오.

COCO8-Grayscale 데이터셋을 사용하여 YOLO26 모델을 어떻게 학습합니까?#

Python 또는 CLI를 사용하여 COCO8-Grayscale에서 YOLO26 모델을 학습할 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)

추가 훈련 옵션에 대해서는 YOLO 훈련 문서를 참조하십시오.

COCO8-Grayscale 데이터셋으로 학습할 때 Mosaic 증강을 사용하면 어떤 이점이 있습니까?#

COCO8-Grayscale 훈련에서 사용되는 모자이크 증강(Mosaic augmentation)은 각 배치 중에 여러 이미지를 하나로 결합합니다. 이를 통해 객체와 배경의 다양성이 증가하여 YOLO 모델이 새로운 시나리오에 더 잘 일반화되도록 돕습니다. 모자이크 증강은 각 훈련 단계에서 사용 가능한 정보를 극대화하므로 소규모 데이터셋에 특히 유용합니다. 이에 대한 자세한 내용은 training guide를 참조하십시오.

COCO8-Grayscale 데이터셋으로 학습된 YOLO26 모델을 어떻게 검증할 수 있습니까?#

COCO8-Grayscale에서 훈련한 후 YOLO26 모델을 검증하려면 Python 또는 CLI에서 모델의 검증 명령어를 사용하십시오. 이는 표준 지표를 사용하여 모델의 성능을 평가합니다. 단계별 지침은 YOLO Validation documentation을 방문하십시오.

기여자
GLglenn-jocher6RAraimbekovm3RIRizwanMunawar1LALaughing-q1

댓글