COCO8-Multispectral 데이터셋#
소개#
Ultralytics COCO8-Multispectral 데이터셋은 기존 COCO8 데이터셋의 고급 변형으로, 멀티스펙트럼 객체 탐지 모델의 실험을 지원하도록 설계되었습니다. 이 데이터셋은 COCO train 2017 세트의 동일한 이미지 8장(학습용 4장, 검증용 4장)으로 구성되지만, 각 이미지가 10채널 멀티스펙트럼 형식으로 변환되어 있습니다. COCO8-Multispectral은 표준 RGB 채널을 넘어 확장함으로써 더 풍부한 스펙트럼 정보를 활용할 수 있는 모델의 개발 및 평가를 지원합니다.
COCO8-Multispectral은 Ultralytics Platform 및 YOLO26과 완벽하게 호환되므로 컴퓨터 비전 워크플로에 원활하게 통합할 수 있습니다.
Watch: How to Train Ultralytics YOLO on Grayscale and Multispectral Datasets | Multi-Channel VisionAI 🚀
데이터셋 구조#
COCO8-Multispectral은 COCO8과 동일한 이미지 8장(전체 80개 COCO 객체 클래스에 대해 학습용 4장, 검증용 4장)을 공유하지만, 각 이미지는 YOLO 레이블 형식의 10채널 멀티스펙트럼 .tiff로 저장됩니다:
coco8-multispectral/
├── images/
│ ├── train/ # 4 images (10-channel .tiff)
│ └── val/ # 4 images (10-channel .tiff)
└── labels/
├── train/
└── val/데이터셋 생성#
COCO8-Multispectral의 멀티스펙트럼 이미지는 가시광선 스펙트럼 내에서 균일한 간격으로 배치된 10개 스펙트럼 채널에 원본 RGB 이미지를 보간하여 생성되었습니다. 이 과정에는 다음이 포함됩니다:
- 파장 할당: RGB 채널에 명목 파장을 할당합니다(빨간색: 650 nm, 녹색: 510 nm, 파란색: 475 nm).
- 보간: 450 nm에서 700 nm 사이의 중간 파장에서 픽셀 값을 추정하기 위해 선형 보간을 사용하여 10개의 스펙트럼 채널을 생성합니다.
- 외삽: 원래 RGB 파장 범위를 벗어나는 값을 추정하기 위해 선형 외삽을 적용하여 완전한 스펙트럼 표현을 보장합니다.
이 접근 방식은 멀티스펙트럼 이미징 프로세스를 시뮬레이션하여 모델 학습 및 평가에 더욱 다양한 데이터를 제공합니다. 멀티스펙트럼 이미징에 대한 자세한 내용은 멀티스펙트럼 이미징 Wikipedia 문서를 참조하세요.
데이터셋 YAML#
COCO8-Multispectral 데이터셋은 데이터셋 경로, 클래스 이름 및 필수 메타데이터를 정의하는 YAML 파일을 사용하여 구성됩니다. 공식 coco8-multispectral.yaml 파일은 Ultralytics GitHub 저장소에서 확인할 수 있습니다.
# 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.zipTIFF 이미지를 (channel, height, width) 순서로 준비하고 .tiff 또는 .tif 확장자로 저장한 다음, Ultralytics에서 사용할 수 있도록 uint8인지 확인하세요:
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 inference사용법#
COCO8-Multispectral 데이터셋(20.2 MB)은 처음 학습을 시작할 때 자동으로 다운로드됩니다. 이미지 크기 640으로 COCO8-Multispectral에서 YOLO26n 모델을 100 에포크 동안 학습하려면 다음 예제를 사용하세요. 학습 옵션의 전체 목록은 YOLO 학습 문서를 참조하세요.
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 문서와 YOLO 모델 학습 팁 가이드를 참조하세요.
샘플 이미지 및 주석#
다음은 COCO8-Multispectral 데이터셋의 모자이크 처리된 학습 배치 예제입니다:
- 모자이크 이미지: 이 이미지는 여러 데이터셋 이미지를 모자이크 증강을 사용하여 결합한 학습 배치를 보여줍니다. 모자이크 증강은 각 배치에 포함된 객체와 장면의 다양성을 높여 모델이 다양한 객체 크기, 종횡비 및 배경에 더 잘 일반화하도록 지원합니다.
이 기법은 COCO8-Multispectral과 같은 소규모 데이터셋에 특히 유용하며, 학습 중 각 이미지의 활용도를 극대화합니다.
인용 및 감사의 글#
연구 또는 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}
}COCO Consortium의 지속적인 컴퓨터 비전 커뮤니티 기여에 특별히 감사드립니다.
FAQ#
Ultralytics COCO8-Multispectral 데이터셋은 멀티스펙트럼 객체 탐지 모델의 신속한 테스트 및 디버깅을 위해 설계되었습니다. 이미지가 8장(학습용 4장, 검증용 4장)뿐이므로, 대규모 데이터셋으로 확장하기 전에 YOLO26 학습 파이프라인을 검증하고 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 실험해 볼 수 있는 더 많은 데이터셋은 Ultralytics 데이터셋 카탈로그를 방문하세요.
멀티스펙트럼 데이터는 표준 RGB를 넘어 추가적인 스펙트럼 정보를 제공하므로, 모델이 파장에 따른 미세한 반사율 차이를 기반으로 객체를 구분할 수 있습니다. 이는 특히 까다로운 상황에서 탐지 정확도를 향상할 수 있습니다. 멀티스펙트럼 이미징과 고급 컴퓨터 비전 분야의 응용 사례에 대해 자세히 알아보세요.
예, COCO8-Multispectral은 Ultralytics Platform 및 최신 YOLO26을 포함한 모든 YOLO 모델과 완벽하게 호환됩니다. 따라서 데이터셋을 학습 및 검증 워크플로에 쉽게 통합할 수 있습니다.
모자이크와 같은 데이터 증강 방법 및 이것이 모델 성능에 미치는 영향을 더욱 깊이 이해하려면 YOLO 데이터 증강 가이드와 데이터 증강에 관한 Ultralytics 블로그를 참조하세요.
물론입니다! COCO8-Multispectral은 작은 크기와 멀티스펙트럼 특성 덕분에 벤치마킹, 교육용 시연 및 새로운 모델 아키텍처의 프로토타이핑에 이상적입니다. 더 많은 벤치마킹 데이터셋은 Ultralytics 벤치마크 데이터셋 컬렉션을 참조하세요.