Dataset COCO8-Grayscale#

8

coco8 grayscale

ultralytics

publicDetect

COCO8 Grayscale is a monochrome derivative of the eight-image COCO smoke-test set for validating single-channel detection pipelines. It uses four training and four validation images with real object boxes and generic class IDs as a compact format utility.

76 classes789.4 KBSep 2, 2026

class0class1class2class3+72

Introdução#

O dataset COCO8-Grayscale da Ultralytics é um dataset de deteção de objetos compacto, mas poderoso, constituído pelas primeiras 8 imagens do conjunto COCO train 2017 e convertido para o formato em escala de cinzentos — 4 para treino e 4 para validação. Este dataset foi concebido especificamente para testes rápidos, depuração e experimentação com modelos YOLO em escala de cinzentos e pipelines de treino. O seu tamanho reduzido torna-o muito fácil de gerir, enquanto a sua diversidade garante que funciona como uma verificação eficaz antes de aumentares a escala para datasets maiores.

Estrutura do Conjunto de Dados#

COCO8-Grayscale reproduz o COCO8—as primeiras 8 imagens do conjunto COCO train 2017, divididas em 4 para treino e 4 para validação nas 80 classes de objetos do COCO—mas cada imagem é armazenada como uma imagem em escala de cinzentos de canal único (channels: 1) no formato de etiquetas YOLO:

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

Explora o COCO8-Grayscale na Ultralytics Platform para veres todas as imagens com as respetivas sobreposições de anotações, consultares a distribuição das classes e os mapas de calor das BBox no separador Charts, e cloná-lo para treinares o teu próprio modelo na cloud.

YAML do Conjunto de Dados#

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

# 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

Utilização#

O dataset COCO8-Grayscale (1 MB) é transferido automaticamente na primeira vez que iniciares o treino. Para treinares um modelo YOLO26n no COCO8-Grayscale durante 100 épocas com um tamanho de imagem de 640, utiliza os exemplos seguintes. Para veres a lista completa de opções de treino, consulta a documentação de treino do 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)

Imagens de exemplo e anotações#

Abaixo encontras um exemplo de um lote de treino com mosaico do dataset COCO8-Grayscale:

• Imagem em mosaico: esta imagem ilustra um lote de treino no qual várias imagens do conjunto de dados são combinadas através de aumento de dados em mosaico. O aumento de dados em 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 datasets pequenos como o COCO8-Grayscale, pois maximiza o valor de cada imagem durante o treino.

Citações e agradecimentos#

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

@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}
}

Agradecimentos especiais ao COCO Consortium pelas suas contribuições contínuas para a comunidade de visão computacional.

Perguntas frequentes#