Link to this sectionConjunto de dados COCO8-Grayscale#
Link to this sectionIntrodução#
O dataset COCO8-Grayscale da Ultralytics é um dataset de object detection compacto, porém poderoso, que consiste nas primeiras 8 imagens do conjunto COCO train 2017 convertidas para o formato de tons de cinza—4 para treinamento e 4 para validação. Este dataset foi projetado especificamente para testes rápidos, depuração e experimentação com modelos em tons de cinza YOLO e pipelines de treinamento. O seu tamanho reduzido torna-o altamente gerenciável, enquanto a sua diversidade garante que ele sirva como uma verificação de integridade eficaz antes de escalar para datasets maiores.
Watch: How to Train Ultralytics YOLO26 on Grayscale Datasets 🚀
O COCO8-Grayscale é totalmente compatível com a Plataforma Ultralytics e o YOLO26, permitindo uma integração perfeita aos seus fluxos de trabalho de visão computacional.
Link to this sectionYAML do Dataset#
A configuração do conjunto de dados COCO8-Grayscale é definida em um arquivo YAML (Yet Another Markup Language), que especifica os caminhos do conjunto de dados, nomes de classes e outros metadados essenciais. Você pode revisar o arquivo coco8-grayscale.yaml oficial no repositório GitHub da Ultralytics.
Para treinar suas imagens RGB em tons de cinza, você pode simplesmente adicionar channels: 1 ao seu arquivo YAML de conjunto de dados. Isso converte todas as imagens para tons de cinza durante o treinamento, permitindo que você utilize os benefícios dos tons de cinza sem precisar de um conjunto de dados separado.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-grayscale ← downloads here (1 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-grayscale # 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)
channels: 1
# 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-grayscale.zipLink to this sectionUso#
Para treinar um modelo YOLO26n no conjunto de dados COCO8-Grayscale por 100 épocas com um tamanho de imagem de 640, use os exemplos a seguir. Para obter uma lista completa das opções de treinamento, consulte a documentação de Treinamento YOLO.
from ultralytics import YOLO
# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)Link to this sectionExemplos de Imagens e Anotações#
Abaixo está um exemplo de um lote de treinamento em mosaico do conjunto de dados COCO8-Grayscale:
- Imagem em Mosaico: Esta imagem ilustra um lote de treino onde várias imagens do dataset são combinadas usando a aumentação de mosaico. A aumentação de mosaico aumenta a diversidade de objetos e cenas em cada lote, ajudando o modelo a generalizar melhor para vários tamanhos de objetos, proporções e fundos.
Esta técnica é especialmente útil para conjuntos de dados pequenos como o COCO8-Grayscale, pois maximiza o valor de cada imagem durante o treinamento.
Link to this sectionCitações e Agradecimentos#
Se utilizares o dataset COCO na tua investigação ou desenvolvimento, por favor cita o seguinte artigo:
@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}
}Um agradecimento especial ao COCO Consortium pelas suas contribuições contínuas para a comunidade de computer vision.
Link to this sectionFAQ#
Link to this sectionPara que serve o conjunto de dados COCO8-Grayscale da Ultralytics?#
O dataset Ultralytics COCO8-Grayscale foi projetado para testes e depuração rápidos de modelos de object detection. Com apenas 8 imagens (4 para treinamento, 4 para validação), é ideal para verificar os teus pipelines de treinamento YOLO e garantir que tudo funciona conforme o esperado antes de escalar para datasets maiores. Explora a configuração YAML do COCO8-Grayscale para mais detalhes.
Link to this sectionComo posso treinar um modelo YOLO26 usando o conjunto de dados COCO8-Grayscale?#
Você pode treinar um modelo YOLO26 no COCO8-Grayscale usando Python ou a CLI:
from ultralytics import YOLO
# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)Para opções de treino adicionais, consulta a documentação de treino YOLO.
Link to this sectionPor que devo usar a Plataforma Ultralytics para gerenciar meu treinamento no COCO8-Grayscale?#
A Ultralytics Platform simplifica o gerenciamento, treinamento e implantação de datasets para modelos YOLO—incluindo o COCO8-Grayscale. Com funcionalidades como treinamento na nuvem, monitoramento em tempo real e manuseio intuitivo de datasets, o HUB permite que lances experimentos com um único clique e elimina os incômodos da configuração manual. Sabe mais sobre a Ultralytics Platform e como ela pode acelerar os teus projetos de visão computacional.
Link to this sectionQuais são os benefícios de usar a Aumentação Mosaico no treinamento com o conjunto de dados COCO8-Grayscale?#
A aumentação Mosaic, conforme usada no treinamento do COCO8-Grayscale, combina várias imagens em uma durante cada lote. Isso aumenta a diversidade de objetos e planos de fundo, ajudando o teu modelo YOLO a generalizar melhor para novos cenários. A aumentação Mosaic é especialmente valiosa para datasets pequenos, pois maximiza as informações disponíveis em cada etapa de treinamento. Para mais informações sobre isso, consulta o guia de treinamento.
Link to this sectionComo posso validar meu modelo YOLO26 treinado no conjunto de dados COCO8-Grayscale?#
Para validar seu modelo YOLO26 após o treinamento no COCO8-Grayscale, use os comandos de validação do modelo em Python ou CLI. Isso avalia o desempenho do seu modelo usando métricas padrão. Para obter instruções passo a passo, visite a documentação de Validação YOLO.