Link to this sectionCOCO8-Multispectral 데이터셋#

Link to this section소개#

Ultralytics COCO8-Multispectral 데이터셋은 다중 스펙트럼 객체 탐지 모델 실험을 용이하게 하도록 설계된 원본 COCO8 데이터셋의 고급 변형입니다. 이 데이터셋은 COCO train 2017 세트의 동일한 8개 이미지(학습용 4개, 검증용 4개)로 구성되어 있으나, 각 이미지가 10채널 다중 스펙트럼 형식으로 변환되었습니다. 표준 RGB 채널을 넘어 확장함으로써 COCO8-Multispectral은 더 풍부한 스펙트럼 정보를 활용할 수 있는 모델을 개발하고 평가할 수 있게 합니다.

COCO8-Multispectral은 Ultralytics Platform 및 YOLO26과 완벽하게 호환되어 computer vision 워크플로우에 원활하게 통합될 수 있습니다.

Link to this section데이터셋 생성#

COCO8-Multispectral의 다중 스펙트럼 이미지는 가시광선 스펙트럼 내에서 균일하게 간격을 둔 10개의 스펙트럼 채널에 걸쳐 원본 RGB 이미지를 보간하여 생성되었습니다. 이 과정에는 다음이 포함됩니다:

• 파장 할당: RGB 채널에 공칭 파장을 할당합니다(빨간색: 650 nm, 녹색: 510 nm, 파란색: 475 nm).
• 보간: 선형 보간을 사용하여 450 nm와 700 nm 사이의 중간 파장에서 픽셀 값을 추정하며, 결과적으로 10개의 스펙트럼 채널이 생성됩니다.
• 외삽: SciPy의 interp1d 함수를 사용한 외삽을 적용하여 원본 RGB 파장 범위를 벗어난 값을 추정함으로써 완전한 스펙트럼 표현을 보장합니다.

이 접근 방식은 다중 스펙트럼 이미징 과정을 시뮬레이션하여 모델 학습 및 평가를 위한 더욱 다양한 데이터 세트를 제공합니다. 다중 스펙트럼 이미징에 대한 추가 정보는 Multispectral Imaging Wikipedia 문서를 참조하십시오.

Link to this section데이터셋 YAML#

The COCO8-Multispectral dataset is configured using a YAML file, which defines dataset paths, class names, and essential metadata. You can review the official coco8-multispectral.yaml file in the Ultralytics GitHub repository.

# 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

Link to this section사용법#

COCO8-Multispectral 데이터셋에서 100 epochs 동안 이미지 크기 640으로 YOLO26n 모델을 학습하려면 다음 예제를 사용하십시오. 포괄적인 학습 옵션 목록은 YOLO 학습 문서를 참조하십시오.

from ultralytics import YOLO

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

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

모델 선택 및 모범 사례에 대한 자세한 내용은 Ultralytics YOLO 모델 문서 및 YOLO 모델 학습 팁 가이드를 확인하십시오.

Link to this section샘플 이미지 및 주석#

다음은 COCO8-Multispectral 데이터셋에서 모자이크 처리된 학습 배치 예제입니다:

• 모자이크 이미지: 이 이미지는 mosaic augmentation을 사용하여 여러 데이터셋 이미지를 결합한 학습 배치를 보여줍니다. 모자이크 증강은 각 배치 내 객체와 장면의 다양성을 증가시켜 모델이 다양한 객체 크기, 가로세로 비율 및 배경에 더 잘 일반화되도록 돕습니다.

이 기법은 학습 중 각 이미지의 유용성을 극대화하므로 COCO8-Multispectral과 같은 작은 데이터셋에 특히 유용합니다.

Link to this section인용 및 감사의 글#

연구나 개발에 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}
}

Special thanks to the COCO Consortium for their ongoing contributions to the computer vision community.

Link to this sectionFAQ#

Link to this sectionUltralytics COCO8-Multispectral 데이터셋은 어떤 용도로 사용됩니까?#

Ultralytics COCO8-Multispectral 데이터셋은 multispectral object detection 모델의 신속한 테스트 및 디버깅을 위해 설계되었습니다. 8개의 이미지만 포함되어 있으므로(학습용 4개, 검증용 4개) YOLO26 학습 파이프라인을 확인하고 더 큰 데이터셋으로 확장하기 전에 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 실험할 추가 데이터셋은 Ultralytics 데이터셋 카탈로그를 방문하십시오.

Link to this section다중 스펙트럼 데이터는 객체 탐지를 어떻게 향상시킵니까?#

다중 스펙트럼 데이터는 표준 RGB를 넘어 추가적인 스펙트럼 정보를 제공하여 모델이 파장에 따른 반사율의 미세한 차이를 기반으로 객체를 구분할 수 있게 합니다. 이는 특히 어려운 시나리오에서 탐지 정확도를 향상시킬 수 있습니다. multispectral imaging 및 advanced computer vision에서의 응용 분야에 대해 자세히 알아보십시오.

Link to this sectionCOCO8-Multispectral은 Ultralytics Platform 및 YOLO 모델과 호환됩니까?#

네, COCO8-Multispectral은 Ultralytics Platform 및 최신 YOLO26을 포함한 모든 YOLO 모델과 완벽하게 호환됩니다. 이를 통해 학습 및 검증 워크플로우에 데이터셋을 쉽게 통합할 수 있습니다.

Link to this section데이터 증강 기법에 대한 자세한 정보는 어디에서 찾을 수 있습니까?#

모자이크와 같은 데이터 증강 방법과 그것이 모델 성능에 미치는 영향에 대한 깊은 이해를 위해 YOLO 데이터 증강 가이드 및 데이터 증강에 관한 Ultralytics 블로그를 참조하십시오.

Link to this sectionCOCO8-Multispectral을 벤치마킹이나 교육 목적으로 사용할 수 있습니까?#

물론입니다! COCO8-Multispectral은 작은 크기와 다중 스펙트럼 특성 덕분에 벤치마킹, 교육용 데모 및 새로운 모델 아키텍처의 프로토타이핑에 이상적입니다. 더 많은 벤치마킹 데이터셋은 Ultralytics 벤치마크 데이터셋 컬렉션을 참조하십시오.