콘텐츠로 건너뛰기

COCO8-Multispectral 데이터 세트

소개

Ultralytics COCO8-Multispectral 데이터 세트는 멀티스펙트럼 객체 탐지 모델을 사용한 실험을 용이하게 하도록 설계된 원본 COCO8 데이터 세트의 고급 변형입니다. COCO train 2017 세트의 동일한 8개 이미지(학습용 4개, 유효성 검사용 4개)로 구성되지만 각 이미지는 10채널 멀티스펙트럼 형식으로 변환됩니다. 표준 RGB 채널을 넘어 확장함으로써 COCO8-Multispectral은 더 풍부한 스펙트럼 정보를 활용할 수 있는 모델의 개발 및 평가를 가능하게 합니다.

멀티스펙트럴 이미지 개요

COCO8-Multispectral은 Ultralytics HUBYOLO11과 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-Multispectral의 다중 스펙트럼 이미지는 가시 스펙트럼 내에서 10개의 균등하게 간격을 둔 스펙트럼 채널에 걸쳐 원래 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-Multispectral 데이터 세트는 YAML 파일을 사용하여 구성되며, 여기에는 데이터 세트 경로, 클래스 이름 및 필수 메타데이터가 정의되어 있습니다. 공식 파일을 검토할 수 있습니다. coco8-multispectral.yaml 파일을 Ultralytics GitHub 저장소.

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

다음에 TIFF 이미지를 준비하십시오. (channel, height, width) 순서대로 정렬하고 저장합니다. .tiff 또는 .tif Ultralytics와 함께 사용할 확장:

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-Multispectral 데이터 세트에서 YOLO11n 모델을 100 에포크 동안 훈련하려면 다음 예제를 사용하세요. 포괄적인 훈련 옵션 목록은 YOLO 훈련 문서를 참조하세요.

훈련 예제

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 문서YOLO 모델 훈련 팁 가이드를 참조하십시오.

샘플 이미지 및 주석

다음은 COCO8-Multispectral 데이터 세트에서 모자이크된 훈련 배치 예시입니다.

데이터 세트 샘플 이미지

  • 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 COCO8-Multispectral과 같은 작은 데이터 세트에서 특히 유용하며, 학습 중에 각 이미지의 유용성을 극대화합니다.

인용 및 감사의 말씀

연구 또는 개발에 COCO 데이터 세트를 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}
}

컴퓨터 비전 컨소시엄(COCO Consortium)컴퓨터 비전 커뮤니티에 대한 지속적인 기여에 특별히 감사드립니다.

FAQ

Ultralytics COCO8-Multispectral 데이터 세트는 무엇에 사용됩니까?

Ultralytics COCO8-Multispectral 데이터 세트는 멀티스펙트럼 객체 감지 모델의 빠른 테스트 및 디버깅을 위해 설계되었습니다. 8개의 이미지(학습용 4개, 검증용 4개)만으로 구성되어 있어, 더 큰 데이터 세트로 확장하기 전에 YOLO 학습 파이프라인을 검증하는 데 이상적입니다. 실험해 볼 더 많은 데이터 세트를 보려면 Ultralytics 데이터 세트 카탈로그를 방문하십시오.

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 이미징고급 컴퓨터 비전에서의 응용 분야에 대해 자세히 알아보세요.

COCO8-Multispectral은 Ultralytics HUB 및 YOLO 모델과 호환됩니까?

예, COCO8-Multispectral은 최신 YOLO11을 포함한 모든 YOLO 모델과 Ultralytics HUB와 완벽하게 호환됩니다. 따라서 데이터 세트를 트레이닝 및 검증 워크플로에 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 가이드Ultralytics 블로그의 데이터 증강 관련 내용을 참조하십시오.

벤치마킹 또는 교육 목적으로 COCO8-Multispectral을 사용할 수 있습니까?

물론입니다! COCO8-Multispectral의 작은 크기와 다중 스펙트럼 특성은 벤치마킹, 교육 데모 및 새로운 모델 아키텍처 프로토타입 제작에 이상적입니다. 더 많은 벤치마킹 데이터 세트는 Ultralytics 벤치마크 데이터 세트 컬렉션을 참조하십시오.



📅 4개월 전에 생성됨 ✏️ 21일 전에 업데이트됨

댓글