Começar

Conjunto de dados COCO8-Grayscale

Introdução#

O conjunto de dados COCO8-Grayscale da Ultralytics é um conjunto compacto de detecção de objetos, composto pelas 8 primeiras imagens do conjunto COCO train 2017 convertidas para escala de cinza — 4 para treinamento e 4 para validação. Ele foi desenvolvido especificamente para testes rápidos, depuração e experimentação com modelos YOLO em escala de cinza e pipelines de treinamento. Seu tamanho reduzido facilita o gerenciamento, enquanto sua diversidade faz dele uma verificação de sanidade eficaz antes de passar para conjuntos de dados maiores.



Assista: Como treinar Ultralytics YOLO em conjuntos de dados em escala de cinza e multiespectrais | VisionAI multicanal 🚀

Estrutura do conjunto de dados#

O COCO8-Grayscale replica o COCO8 — as primeiras 8 imagens do conjunto COCO train 2017, divididas em 4 para treinamento e 4 para validação e rotuladas com os 80 nomes de classes COCO —, mas cada imagem é armazenada como uma imagem em escala de cinzentos de canal único (channels: 1) no formato de rótulos YOLO:

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Explora o COCO8-Grayscale na Ultralytics Platform para consultar cada imagem com as sobreposições das anotações, ver a distribuição das classes e os mapas de calor das caixas delimitadoras no separador Gráficos e cloná-lo para treinares o teu próprio modelo na nuvem.

YAML do conjunto de dados#

A configuração do conjunto de dados COCO8-Grayscale é definida num ficheiro YAML que especifica os caminhos do conjunto, os nomes das classes e outros metadados essenciais. Podes consultar o ficheiro oficial coco8-grayscale.yaml no repositório da Ultralytics no GitHub.

Nota

Para treinar com imagens RGB em escala de cinza, adicione channels: 1 ao arquivo YAML do conjunto de dados. Isso converte todas as imagens para escala de cinza durante o treinamento, portanto você não precisa de um conjunto de dados separado em escala de cinza.

ultralytics/cfg/datasets/coco8-grayscale.yaml
# 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.zip

Uso#

O conjunto de dados COCO8-Grayscale (1 MB) é transferido automaticamente na primeira vez que inicias o treino. Para treinar um modelo YOLO26n no COCO8-Grayscale durante 100 épocas, com tamanho de imagem 640, utiliza os exemplos seguintes.

Exemplo de treino
from ultralytics import YOLO

# Carrega um modelo YOLO26n pré-treinado
model = YOLO("yolo26n.pt")

# Treina o modelo com COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

Imagens de exemplo e anotações#

Abaixo está um exemplo de um lote de treinamento em mosaico do conjunto de dados COCO8-Grayscale:

COCO8 grayscale dataset mosaic training batch
  • Imagem em mosaico: esta imagem ilustra um lote de treinamento em que várias imagens do conjunto de dados são combinadas usando aumento de dados por mosaico. O aumento de dados por mosaico aumenta a diversidade de objetos e cenas em cada lote, ajudando o modelo a generalizar melhor para diferentes tamanhos de objetos, proporções e planos de fundo.

Esta técnica é especialmente útil para conjuntos de dados pequenos, como o COCO8-Grayscale, pois maximiza o valor de cada imagem durante o treinamento.

Citações e agradecimentos#

Se usares o conjunto de dados COCO na tua pesquisa ou desenvolvimento, cita o seguinte artigo:

Citação
@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}
}

Agradecemos especialmente ao COCO Consortium pelas suas contribuições contínuas para a comunidade de visão computacional.

Perguntas frequentes#

  • O conjunto de dados COCO8-Grayscale da Ultralytics foi concebido para testar e depurar rapidamente modelos de deteção de objetos. Com apenas 8 imagens (4 para treino e 4 para validação), é ideal para verificar os teus pipelines de treino YOLO e garantir que tudo funciona como esperado antes de passar para conjuntos de dados maiores.

  • Podes treinar um modelo YOLO26 com COCO8-Grayscale usando Python ou a CLI:

    Exemplo de treino
    from ultralytics import YOLO
    
    # Carrega um modelo YOLO26n pré-treinado
    model = YOLO("yolo26n.pt")
    
    # Treina o modelo com COCO8-Grayscale
    results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

    Para ver mais opções de treinamento, consulta a documentação de treinamento YOLO.

  • O aumento de dados Mosaic, utilizado no treino com COCO8-Grayscale, combina várias imagens numa só em cada lote. Isto aumenta a diversidade de objetos e fundos, ajudando o teu modelo YOLO a generalizar melhor para novos cenários. O aumento de dados Mosaic é particularmente valioso para conjuntos de dados pequenos, pois maximiza a informação disponível em cada etapa do treino.

  • Para validar o teu modelo YOLO26 depois do treinamento com COCO8-Grayscale, usa os comandos de validação do modelo em Python ou na CLI. Isso avalia o desempenho do modelo usando métricas padrão. Para obter instruções passo a passo, consulta a documentação de validação YOLO.

Comentários7

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. shkim-lpGitHub

    Dear Ultralytics, Hello. I am a learner and a user of Ultralytics-YOLO Software. I am writing this post to ask questions about tracking Livestream color videos in grayscale.

    At the moment, I am using Ultralytics for Classification/Segmentation/Tracking of my Livestream video. My livestream video contains 4 different types of connectors, which are moved by robots.

    I have used the software well so far to classify/segment/track the 4 connectors in Livestream color video I tracked the Livestream video with results = model.track(source="0", show=Trune, save=True), which displayed live results with "0" window. I was happy with the result.

    Now, I want to test the performance for a real scenario, where the Livestream camera will aceept only B/W images (The equipment has not been installed yet and I am trying to emulate future situation). I learned how to train models in B/W images with simple addition of channels = 1 . However, I still don't know how to track a Livestream video (where images are imported in color) in B/W scales and output them in B/W in "0" window.
    Would there be an easy method to invoke results = model.track(source="0", show=Ture, save=True) , but classify/segment/track in B/W scale and output them in B/W as well?

    Thank you for your assistance!

    1. Glenn JocherUltralytics

      There’s no built-in switch in model.track(source=0, ...) to force grayscale preprocessing for a webcam stream, so the simplest way to emulate a B/W camera is to read frames with OpenCV, convert to grayscale, then replicate back to 3 channels (GRAY2BGR) so it works with any YOLO model, and display/save the result (training-side grayscale is covered on the COCO8-Grayscale dataset page).

      import cv2
      from ultralytics import YOLO
      
      model = YOLO("best.pt")  # your det/seg model
      cap = cv2.VideoCapture(0)
      
      while True:
          ok, frame = cap.read()
          if not ok:
              break
      
          gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
          frame_bw3 = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)  # BW content, kept 3-channel
      
          results = model.track(source=frame_bw3, persist=True, verbose=False)
          annotated = results[0].plot()  # BGR
          annotated_gray = cv2.cvtColor(annotated, cv2.COLOR_BGR2GRAY)
      
          cv2.imshow("0", annotated_gray)
          if cv2.waitKey(1) == 27:  # ESC to quit
              break
      
      cap.release()
      cv2.destroyAllWindows()
      1
    2. Glenn JocherUltralytics

      Glad it helped—if you end up training a channels: 1 model you can usually skip GRAY2BGR and feed the grayscale frame directly as (H, W) or (H, W, 1) (the loader will expand 2D grayscale to 1 channel), and feel free to drop any follow-up questions here so the Ultralytics team sees them (see the COCO8-Grayscale dataset docs).

  2. zjjzengGitHub

    Hello, I did not notice this page before, so I trained my model on default rgb 3 channels and then predicted. Actually, all my native dataset images are gray images, I used a numpy operation to manually transfer it before training. I wonder that if I change channels to 1, will I be able to gain any improvements on my model. And do I need to modify both data.yaml and my customized yolo11n.yaml, right?

    1. Glenn JocherUltralytics

      Great question—set channels: 1 in your dataset YAML and train; you don’t need to modify your custom yolo11n.yaml as the model’s first layer adapts automatically; if you previously replicated grayscale to 3 channels, accuracy differences are usually small while 1-channel can save memory, so a quick A/B run is the best way to confirm; for more on multi-channel handling, see the COCO8-Multispectral dataset page.