Conjunto de dados 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 conjunto de dados COCO8-Multispectral da Ultralytics é uma variante avançada do conjunto de dados COCO8 original, concebida para facilitar a experimentação com modelos de detecção de objetos multiespectrais. É composto pelas mesmas 8 imagens do conjunto COCO train 2017 — 4 para treinamento e 4 para validação —, mas cada imagem é convertida para um formato multiespectral de 10 canais. Ao ir além dos canais RGB padrão, o COCO8-Multispectral permite desenvolver e avaliar 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 nos teus fluxos de trabalho de visão computacional.

Estrutura do conjunto de dados#

O COCO8-Multispectral partilha as mesmas 8 imagens do COCO8 — 4 para treinamento e 4 para validação, rotuladas com os 80 nomes de classes COCO —, mas cada imagem é armazenada como um .tiff multiespectral de 10 canais 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 conjunto de dados#

As imagens multiespectrais do COCO8-Multispectral foram criadas interpolando as imagens RGB originais em 10 canais espectrais, espaçados uniformemente 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 valores de píxeis em comprimentos de onda intermédios 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.

Esta abordagem simula um processo de captura de imagens multiespectrais e fornece um conjunto de dados mais diversificado para treinamento e avaliação de modelos. Para saber mais sobre imagens multiespectrais, consulta o artigo da Wikipédia sobre imagens multiespectrais.

YAML do conjunto de dados#

O conjunto de dados COCO8-Multispectral é configurado através de um ficheiro YAML que define os caminhos do conjunto, os nomes das classes e os metadados essenciais. Podes consultar o ficheiro 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

# Cria e escreve um TIFF de 10 canais
image = np.ones((10, 640, 640), dtype=np.uint8)  # Ordem CHW
cv2.imwritemulti("example.tiff", image)

# Lê o TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  Ordem HWC para treino e inferência

Uso#

O conjunto de dados COCO8-Multispectral (20,2 MB) é baixado automaticamente na primeira vez que você inicia o treino. Para treinar um modelo YOLO26n no COCO8-Multispectral por 100 épocas com tamanho de imagem de 640, use os exemplos a seguir. Para ver uma lista completa das opções de treino, consulte a documentação de treino do YOLO.

from ultralytics import YOLO

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

# Treine o modelo no COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

Para saber mais sobre a seleção de modelos e as práticas recomendadas, consulte a documentação de modelos Ultralytics YOLO e o guia de dicas para treinar modelos YOLO.

Imagens de exemplo e anotações#

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

• Imagem em mosaico: esta imagem mostra um lote de treino no qual várias imagens do conjunto de dados são combinadas usando aumento de dados por mosaico. O aumento de dados por mosaico amplia a diversidade de objetos e cenários 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 conjuntos de dados pequenos, como o COCO8-Multispectral, pois maximiza a utilidade de cada imagem durante o treino.

Citações e agradecimentos#

Se usares o conjunto de dados COCO na tua pesquisa ou desenvolvimento, 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}
}

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

Perguntas frequentes#