Dataset COCO8-Multispectral

Introdução

O conjunto de dados Ultralytics COCO8-Multispectral é uma variante avançada do conjunto de dados COCO8 original, projetada para facilitar a experimentação com modelos de detecção de objetos multiespectrais. Ele consiste nas mesmas 8 imagens do conjunto COCO train 2017 — 4 para treinamento e 4 para validação — mas com cada imagem transformada em um formato multiespectral de 10 canais. Ao expandir para além dos canais RGB padrão, o COCO8-Multispectral permite o desenvolvimento e a avaliação de modelos que podem aproveitar informações espectrais mais ricas.

O COCO8-Multispectral é totalmente compatível com a Ultralytics Platform e o YOLO26, garantindo uma integração perfeita aos seus fluxos de trabalho de computer vision.

Geração do Dataset

As imagens multiespectrais no COCO8-Multispectral foram criadas interpolando as imagens RGB originais através de 10 canais espectrais espaçados uniformemente dentro do espectro visível. O processo inclui:

• Atribuição de Comprimento de Onda: Atribuindo comprimentos de onda nominais aos canais RGB — Vermelho: 650 nm, Verde: 510 nm, Azul: 475 nm.
• Interpolação: Usando interpolação linear para estimar valores de pixel em comprimentos de onda intermediários entre 450 nm e 700 nm, resultando em 10 canais espectrais.
• Extrapolação: Aplicando extrapolação com a função interp1d do SciPy para estimar valores além dos comprimentos de onda RGB originais, garantindo uma representação espectral completa.

Essa abordagem simula um processo de imagem multiespectral, fornecendo um conjunto de dados mais diversificado para o treinamento e avaliação de modelos. Para saber mais sobre imagem multiespectral, veja o artigo da Wikipedia sobre Imagem Multiespectral.

YAML do Dataset

O conjunto de dados COCO8-Multispectral é configurado usando um arquivo YAML, que define caminhos do conjunto de dados, nomes de classes e metadados essenciais. Você pode revisar o arquivo oficial coco8-multispectral.yaml no repositório GitHub da Ultralytics.

# 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

Utilização

Para treinar um modelo YOLO26n no conjunto de dados COCO8-Multispectral por 100 epochs com um tamanho de imagem de 640, use os seguintes exemplos. Para uma lista abrangente de opções de treinamento, consulte a documentação de Treinamento do YOLO.

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)

Para mais detalhes sobre a seleção de modelos e melhores práticas, explore a documentação do modelo Ultralytics YOLO e o guia de Dicas de Treinamento do Modelo YOLO.

Amostra de Imagens e Anotações

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

• Imagem em Mosaico: Esta imagem demonstra um lote de treinamento onde várias imagens do conjunto de dados são combinadas usando aumentação de mosaico. A aumentação de mosaico aumenta a diversidade de objetos e cenas dentro de cada lote, ajudando o modelo a generalizar melhor para vários tamanhos de objeto, proporções e fundos.

Esta técnica é especialmente valiosa para pequenos conjuntos de dados como o COCO8-Multispectral, pois maximiza a utilidade de cada imagem durante o treinamento.

Citações e Agradecimentos

Se você usar o dataset COCO em sua pesquisa ou desenvolvimento, por favor, cite 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}
}

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

FAQ

Para que serve o conjunto de dados Ultralytics COCO8-Multispectral?

O conjunto de dados Ultralytics COCO8-Multispectral foi projetado para testes rápidos e depuração de modelos de detecção de objetos multiespectrais. Com apenas 8 imagens (4 para treinamento, 4 para validação), é ideal para verificar seus pipelines de treinamento YOLO26 e garantir que tudo funcione conforme o esperado antes de escalar para conjuntos de dados maiores. Para mais conjuntos de dados para experimentar, visite o Catálogo de Datasets da Ultralytics.

Como os dados multiespectrais melhoram a detecção de objetos?

Dados multiespectrais fornecem informações espectrais adicionais além do RGB padrão, permitindo que os modelos distingam objetos com base em diferenças sutis na refletância através de comprimentos de onda. Isso pode melhorar a precisão da detecção, especialmente em cenários desafiadores. Aprenda mais sobre imagem multiespectral e suas aplicações em visão computacional avançada.

O COCO8-Multispectral é compatível com a Ultralytics Platform e modelos YOLO?

Sim, o COCO8-Multispectral é totalmente compatível com a Ultralytics Platform e todos os modelos YOLO, incluindo o mais recente YOLO26. Isso permite que você integre facilmente o conjunto de dados aos seus fluxos de trabalho de treinamento e validação.

Onde posso encontrar mais informações sobre técnicas de aumentação de dados?

Para uma compreensão mais profunda dos métodos de aumentação de dados, como o mosaico, e seu impacto no desempenho do modelo, consulte o Guia de Aumentação de Dados YOLO e o Blog da Ultralytics sobre Aumentação de Dados.

Posso usar o COCO8-Multispectral para benchmarking ou fins educacionais?

Absolutamente! O tamanho reduzido e a natureza multiespectral do COCO8-Multispectral o tornam ideal para benchmarking, demonstrações educacionais e prototipagem de novas arquiteturas de modelo. Para mais conjuntos de dados de benchmarking, consulte a Coleção de Datasets de Benchmark da Ultralytics.