Ultralytics YOLO27: 대기자 명단에 등록해 주십시오.
Get Started
CC BY 4.0

COCO8-Multispectral 데이터셋#

소개#

Ultralytics COCO8-Multispectral 데이터셋은 다중 스펙트럼 객체 감지 모델을 실험하기 위한 원본 COCO8 데이터셋의 변형입니다. 이 데이터셋은 COCO train 2017 세트의 동일한 8개 이미지(학습용 4개, 검증용 4개)로 구성되며, 각 이미지는 10채널 다중 스펙트럼 형식으로 변환되어 있습니다. 표준 RGB 채널을 넘어 확장함으로써 COCO8-Multispectral은 더 풍부한 스펙트럼 정보를 사용하는 모델을 개발하고 평가할 수 있게 합니다.

Multispectral imaging for object detection

COCO8-Multispectral은 Ultralytics Platform 및 YOLO26과 호환되므로 컴퓨터 비전 워크플로에 바로 사용할 수 있습니다.



시청: 흑백 및 다중 스펙트럼 데이터셋으로 Ultralytics YOLO를 학습하는 방법 | 다중 채널 VisionAI 🚀

데이터셋 구조#

COCO8-Multispectral은 COCO8과 동일한 이미지 8장을 공유하며, 학습용 4장과 검증용 4장으로 나뉘고 80개의 COCO 클래스 이름으로 레이블링되어 있습니다. 다만 각 이미지는 YOLO 레이블 형식에 따라 10채널 다중분광 .tiff로 저장됩니다:

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

데이터셋 생성#

COCO8-Multispectral의 다중분광 이미지는 원본 RGB 이미지를 가시광선 스펙트럼 내에서 균일한 간격으로 배치된 10개 분광 채널에 걸쳐 보간하여 생성했습니다. 이 과정에는 다음이 포함됩니다:

  • 파장 할당: RGB 채널에 공칭 파장을 할당합니다. 빨간색: 650 nm, 녹색: 510 nm, 파란색: 475 nm.
  • 보간: 선형 보간을 사용해 450 nm와 700 nm 사이의 중간 파장에서 픽셀 값을 추정하여 분광 채널 10개를 생성합니다.
  • 외삽: 선형 외삽을 적용해 원래 RGB 파장 범위를 벗어난 값을 추정하여 완전한 분광 표현을 보장합니다.

이 접근 방식은 다중분광 이미징 과정을 시뮬레이션하여 모델 학습 및 평가에 사용할 더 다양한 데이터를 제공합니다. 다중분광 이미징에 관한 자세한 내용은 다중분광 이미징 위키백과 문서를 참조하세요.

데이터셋 YAML#

COCO8-Multispectral 데이터셋은 데이터셋 경로, 클래스 이름 및 필수 메타데이터를 정의하는 YAML 파일을 사용해 구성합니다. 공식 coco8-multispectral.yaml 파일은 Ultralytics GitHub 저장소에서 확인할 수 있습니다.

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
참고

TIFF 이미지를 (channel, height, width) 순서로 준비하고, .tiff 또는 .tif 확장자로 저장한 다음, Ultralytics에서 사용할 수 있도록 uint8인지 확인하세요:

import cv2
import numpy as np

# 10채널 TIFF 만들기 및 쓰기
image = np.ones((10, 640, 640), dtype=np.uint8)  # CHW 순서
cv2.imwritemulti("example.tiff", image)

# TIFF 읽기
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  학습 및 추론을 위한 HWC 순서

사용법#

COCO8-Multispectral 데이터셋(20.2 MB)은 학습을 처음 시작할 때 자동으로 다운로드됩니다. 다음 예제를 사용하면 이미지 크기 640으로 COCO8-Multispectral에서 100 에포크 동안 YOLO26n 모델을 학습할 수 있습니다.

학습 예제
from ultralytics import YOLO

# 사전 학습된 YOLO26n 모델 로드
model = YOLO("yolo26n.pt")

# COCO8-Multispectral에서 모델 학습
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

모델 선택 및 모범 사례에 관한 자세한 내용은 Ultralytics YOLO 모델 문서와 YOLO 모델 학습 팁 가이드를 살펴보세요.

샘플 이미지 및 어노테이션#

아래는 COCO8-Multispectral 데이터셋의 모자이크 학습 배치 예시입니다:

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

이 기법은 COCO8-Multispectral과 같은 소규모 데이터셋에서 특히 유용합니다. 학습 중 각 이미지의 활용도를 극대화하기 때문입니다.

인용 및 감사의 글#

연구 또는 개발 과정에서 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

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}
}

컴퓨터 비전 커뮤니티에 지속적으로 기여해 주시는 COCO Consortium에 특별히 감사드립니다.

자주 묻는 질문#

  • Ultralytics COCO8-Multispectral 데이터셋은 다중 스펙트럼 객체 탐지 모델을 신속하게 테스트하고 디버깅하도록 설계되었습니다. 이미지가 8개(학습용 4개, 검증용 4개)뿐이므로 더 큰 데이터셋으로 확장하기 전에 YOLO26 학습 파이프라인을 검증하고 모든 것이 예상대로 작동하는지 확인하는 데 적합합니다.

  • 다중 스펙트럼 데이터는 표준 RGB를 넘어 추가적인 스펙트럼 정보를 제공하므로, 모델은 파장에 따른 미묘한 반사율 차이를 기반으로 객체를 구분할 수 있습니다. 이를 통해 특히 저조도나 위장과 같은 어려운 시나리오에서 감지 정확도를 개선할 수 있습니다.

  • 예. COCO8-Multispectral은 학습 및 검증 모두에서 Ultralytics Platform 및 YOLO26을 포함한 Ultralytics YOLO 모델과 호환됩니다.

  • 모자이크와 같은 데이터 증강 방법과 모델 성능에 미치는 영향을 자세히 알아보려면 YOLO 데이터 증강 가이드와 데이터 증강에 관한 Ultralytics 블로그를 참조하세요.

  • 교육용 시연, 새로운 모델 아키텍처의 프로토타이핑, 다중 채널 파이프라인 검증에 적합합니다. 이미지가 8개뿐이므로 유의미한 벤치마킹에는 너무 작습니다. 대표성 있는 지표가 필요하면 더 큰 데이터셋을 사용하세요.

기여자
GLglenn-jocher15RAraimbekovm3PDpderrenger1Y-Y-T-G1RIRizwanMunawar1LALaughing-q1

댓글