Conjunto de dados COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

Eight-image multispectral COCO sample for object detection with four train and four validation images, 30 bounding boxes, 80 COCO classes, and genuine 10-channel uint8 TIFF imagery. Derived from COCO imagery and packaged by Ultralytics for multispectral pipeline validation.

80 classes20.3 MBAug 24, 2026

personbicyclecarmotorcycle+76

Introdução#

O conjunto de dados Ultralytics COCO8-Multispectral é uma variante avançada do conjunto de dados COCO8 original, concebido para facilitar a experimentação com modelos de detecção de objectos multiespectrais. Consiste nas mesmas 8 imagens do conjunto COCO train 2017 — 4 para treino e 4 para validação — mas com cada imagem transformada num 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 conseguem tirar partido de informação espectral mais rica.

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

Estrutura do Dataset#

O COCO8-Multispectral partilha as mesmas 8 imagens que o COCO8 — 4 para treino e 4 para validação em todas as 80 classes de objectos COCO —, mas cada imagem é guardada como um .tiff multiespectral de 10 canais no YOLO label format:

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

Esta abordagem simula um processo de imagiologia multiespectral, fornecendo um conjunto de dados mais diverso para o treino e avaliação de modelos. Para mais leituras sobre imagiologia multiespectral, consulta o Multispectral Imaging Wikipedia article.

YAML do Dataset#

O conjunto de dados COCO8-Multispectral é configurado através de um ficheiro YAML, que define os caminhos do conjunto de dados, os nomes das classes e os metadados essenciais. Podes consultar o ficheiro coco8-multispectral.yaml oficial no Ultralytics GitHub repository.

# 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

Uso#

O conjunto de dados COCO8-Multispectral (20.2 MB) é transferido automaticamente na primeira vez que inicias o treino. Para treinar um modelo YOLO26n no COCO8-Multispectral durante 100 epochs com um tamanho de imagem de 640, utiliza os seguintes exemplos. Para uma lista abrangente de opções de treino, consulta a YOLO Training documentation.

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 selecção de modelos e as melhores práticas, explora a Ultralytics YOLO model documentation e o YOLO Model Training Tips guide.

Exemplos de Imagens e Anotações#

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

• Mosaiced Image: Esta imagem demonstra um lote de treino onde várias imagens do conjunto de dados são combinadas utilizando mosaic augmentation. Aumentar a diversidade de objectos e cenas em cada lote ajuda o modelo a generalizar melhor para vários tamanhos de objectos, proporções e fundos.

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

Citações e Agradecimentos#

Se utilizares o dataset COCO na tua investigação ou desenvolvimento, por favor 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}
}

Um agradecimento especial ao COCO Consortium pelas suas contribuições contínuas para a computer vision community.

FAQ#