COCO8 데이터 세트

소개

그리고 Ultralytics COCO8 데이터 세트는 멀티스펙트럼 물체 감지 모델을 쉽게 실험할 수 있도록 설계된 오리지널 COCO8 데이터 세트의 고급 변형 데이터 세트입니다. 이 데이터 세트는 훈련용 이미지 4개와 검증용 이미지 4개로 구성된 COCO train 2017 세트와 동일한 8개 이미지로 구성되지만 각 이미지가 10채널 멀티스펙트럼 형식으로 변환되어 있습니다. 표준 RGB 채널을 넘어 확장된 COCO8 더 풍부한 스펙트럼 정보를 활용할 수 있는 모델을 개발 및 평가할 수 있도록 지원합니다.

COCO8 Ultralytics 허브 및 YOLO11와 완벽하게 호환되므로 컴퓨터 비전 워크플로에 원활하게 통합할 수 있습니다.

참고: Ultralytics YOLO11을 다중 스펙트럼 데이터 세트에서 훈련하는 방법 | Multi-Channel VisionAI 🚀

데이터 세트 생성

COCO8 이미지는 가시 스펙트럼 내에서 10개의 균일한 간격의 스펙트럼 채널에 걸쳐 원본 RGB 이미지를 보간하여 생성되었습니다. 이 프로세스에는 다음이 포함됩니다:

• 파장 할당: RGB 채널에 공칭 파장 할당—Red: 650 nm, Green: 510 nm, Blue: 475 nm.
• 보간: 450nm와 700nm 사이의 중간 파장에서 픽셀 값을 추정하기 위해 선형 보간법을 사용하여 10개의 스펙트럼 채널을 생성합니다.
• 외삽: SciPy의 외사법을 적용하여 interp1d 원래 RGB 파장 이상의 값을 추정하여 완전한 스펙트럼 표현을 보장하는 함수입니다.

이 접근 방식은 다중 스펙트럼 이미징 프로세스를 시뮬레이션하여 모델 학습 및 평가를 위한 보다 다양한 데이터 세트를 제공합니다. 다중 스펙트럼 이미징에 대한 자세한 내용은 다중 스펙트럼 이미징 Wikipedia 기사를 참조하십시오.

데이터세트 YAML

COCO8 데이터 세트는 데이터 세트 경로, 클래스 이름, 필수 메타데이터를 정의하는 YAML 파일을 사용하여 구성됩니다. 공식 coco8-multispectral.yaml 파일을 Ultralytics GitHub 저장소.

# 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

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

사용법

이미지 크기가 640인 COCO8 데이터 세트에 대해 100개의 에포크에 대해 YOLO11n 모델을 훈련하려면 다음 예제를 사용합니다. 훈련 옵션의 전체 목록은 YOLO 훈련 설명서를 참조하세요.

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

모델 선택 및 모범 사례에 대한 자세한 내용은 Ultralytics YOLO 모델 문서 및 YOLO 모델 훈련 팁 가이드를 참조하십시오.

샘플 이미지 및 주석

아래는 COCO8 데이터 세트의 모자이크 훈련 배치의 예시입니다:

• 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 학습 중에 각 이미지의 활용도를 극대화하기 때문에 COCO8 같은 소규모 데이터 세트에 특히 유용합니다.

인용 및 감사의 말씀

연구 또는 개발에 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

@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 주신 COCO 컨소시엄에 특별히 감사드립니다.

FAQ

Ultralytics COCO8 데이터 세트는 어떤 용도로 사용되나요?

Ultralytics COCO8 데이터 세트는 멀티스펙트럼 물체 감지 모델의 신속한 테스트 및 디버깅을 위해 설계되었습니다. 단 8개의 이미지(훈련용 4개, 검증용 4개)로 구성되어 있어 YOLO 훈련 파이프라인을 검증하고 더 큰 데이터 세트로 확장하기 전에 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 실험할 수 있는 더 많은 데이터 세트를 보려면 Ultralytics 데이터 세트 카탈로그를 참조하세요.

다중 스펙트럼 데이터는 객체 탐지를 어떻게 향상시키나요?

멀티스펙트럴 데이터는 표준 RGB를 넘어 추가적인 스펙트럼 정보를 제공하여 모델이 파장에 따른 반사율의 미묘한 차이를 기반으로 객체를 구별할 수 있도록 합니다. 이는 특히 까다로운 시나리오에서 검출 정확도를 향상시킬 수 있습니다. 멀티스펙트럴 이미징 및 고급 컴퓨터 비전에서의 응용 분야에 대해 자세히 알아보세요.

COCO8 Ultralytics 허브 및 YOLO 모델과 호환되나요?

예, COCO8 최신 YOLO11 포함한 모든 YOLO 모델 및 Ultralytics HUB와 완벽하게 호환됩니다. 따라서 데이터 세트를 트레이닝 및 검증 워크플로우에 쉽게 통합할 수 있습니다.

데이터 증강 기술에 대한 자세한 정보는 어디에서 찾을 수 있나요?

모자이크와 같은 데이터 증강 방법과 이것이 모델 성능에 미치는 영향에 대한 더 자세한 내용은 YOLO 데이터 증강 가이드 및 Ultralytics 블로그의 데이터 증강 관련 내용을 참조하십시오.

벤치마킹 또는 교육 목적으로 COCO8 사용할 수 있나요?

물론이죠! 작은 크기와 다중 스펙트럼 특성으로 인해 COCO8 벤치마킹, 교육 데모, 새로운 모델 아키텍처 프로토타입 제작에 이상적입니다. 더 많은 벤치마킹 데이터 세트는 Ultralytics 벤치마크 데이터 세트 컬렉션을 참조하세요.

📅 7개월 전에 생성됨 ✏️ 18일 전에 업데이트됨

댓글