Dataset COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

COCO8 Multispectral is an eight-image detection utility with genuine 10-channel uint8 TIFF inputs. Four training and four validation images pair multispectral loading with COCO boxes and the 80-class taxonomy for focused pipeline validation.

80 classes20.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

Introdução#

O dataset COCO8-Multispectral da Ultralytics é uma variante avançada do dataset COCO8 original, desenvolvida para facilitar a experimentação com modelos de detecção de objetos multiespectrais. Ele é composto pelas 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 além dos canais RGB padrão, o COCO8-Multispectral possibilita o desenvolvimento e a avaliação de modelos capazes de 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 visão computacional.

Estrutura do Conjunto de Dados#

O COCO8-Multispectral compartilha as mesmas 8 imagens que o COCO8 — 4 para treinamento e 4 para validação em todas as 80 classes de objetos do COCO —, mas cada imagem é armazenada como um .tiff multiespectral no formato de rótulos YOLO:

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

Geração do Dataset#

As imagens multiespectrais do COCO8-Multispectral foram criadas interpolando as imagens RGB originais em 10 canais espectrais igualmente espaçados dentro do espectro visível. O processo inclui:

• Atribuição de comprimentos de onda: atribuição de comprimentos de onda nominais aos canais RGB — Vermelho: 650 nm, Verde: 510 nm, Azul: 475 nm.
• Interpolação: uso de interpolação linear para estimar os valores dos pixels em comprimentos de onda intermediários entre 450 nm e 700 nm, resultando em 10 canais espectrais.
• Extrapolação: aplicação de extrapolação linear para estimar valores além dos comprimentos de onda RGB originais, garantindo uma representação espectral completa.

Essa abordagem simula um processo de geração de imagens multiespectrais, fornecendo um conjunto de dados mais diversificado para o treinamento e a avaliação de modelos. Para saber mais sobre geração de imagens multiespectrais, consulte o artigo da Wikipédia sobre geração de imagens multiespectrais.

YAML do Conjunto de Dados#

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

# 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#

O dataset COCO8-Multispectral (20,2 MB) é baixado automaticamente na primeira vez que você inicia o treinamento. Para treinar um modelo YOLO26n no COCO8-Multispectral 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 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 obter mais detalhes sobre a seleção de modelos e as práticas recomendadas, consulte a documentação de modelos YOLO da Ultralytics e o guia de dicas para treinamento de modelos YOLO.

Imagens de exemplo e anotações#

A seguir, veja um exemplo de um lote de treinamento com mosaico do dataset COCO8-Multispectral:

• Imagem com mosaico: esta imagem demonstra um lote de treinamento no qual várias imagens do dataset são combinadas usando aumento de dados com mosaico. O aumento de dados com mosaico aumenta a diversidade de objetos e cenas em cada lote, ajudando o modelo a generalizar melhor para vários tamanhos de objetos, proporções e planos de fundo.

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

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 Consórcio COCO por suas contribuições contínuas para a comunidade de visão computacional.

Perguntas frequentes#