Começar

Conjunto de dados COCO8-Multispectral

COCO8 Multispectral preview 1
COCO8 Multispectral preview 2
COCO8 Multispectral preview 3
COCO8 Multispectral preview 4
8
COCO8 Multispectral
ultralytics
PublicDetect

Synthetic multispectral TIFFs made from COCO everyday-scene photos, with object boxes, for testing multi-channel detection pipelines. Created by Ultralytics by interpolating each COCO8 RGB image into 10 evenly spaced bands from 450 to 700 nm, so the extra channels are simulated rather than real sensor data. Source: Lin et al., "Microsoft COCO: Common Objects in Context," ECCV 2014; docs.ultralytics.com/datasets/detect/coco8-multispectral.

80 classes20.3 MBOct 23, 2026
personbicyclecarmotorcycle+76

Introdução#

O conjunto de dados COCO8-Multispectral da Ultralytics é uma variante do conjunto de dados COCO8 original para experimentar modelos de detecção de objetos multiespectrais. Ele contém as mesmas 8 imagens do conjunto COCO train 2017 — 4 para treinamento e 4 para validação —, mas com cada imagem transformada para o formato multiespectral de 10 canais. Ao ir além dos canais RGB padrão, COCO8-Multispectral permite desenvolver e avaliar modelos que usam informações espectrais mais ricas.

Multispectral imaging for object detection

COCO8-Multispectral funciona com a Ultralytics Platform e YOLO26, então podes usá-lo diretamente nos teus fluxos de trabalho de visão computacional.



Assista: Como treinar Ultralytics YOLO em conjuntos de dados em escala de cinza e multiespectrais | VisionAI multicanal 🚀

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/cfg/datasets/coco8-multispectral.yaml
# 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
Nota

Prepara as tuas imagens TIFF na ordem (channel, height, width), guardadas com a extensão .tiff ou .tif, e garante que estão uint8 para serem usadas com a Ultralytics:

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 transferido automaticamente na primeira vez que inicias o treino. Para treinar um modelo YOLO26n no COCO8-Multispectral durante 100 épocas, com tamanho de imagem 640, utiliza os exemplos seguintes.

Exemplo de treino
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:

COCO8 multispectral dataset mosaic training batch
  • 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:

Citação
@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 COCO Consortium pelas suas contribuições contínuas à comunidade de visão computacional.

Perguntas frequentes#

  • O conjunto de dados COCO8-Multispectral da Ultralytics foi concebido para testar e depurar rapidamente modelos multiespectrais de deteção de objetos. Com apenas 8 imagens (4 para treino e 4 para validação), é ideal para verificar os teus pipelines de treino YOLO26 e garantir que tudo funciona como esperado antes de passar para conjuntos de dados maiores.

  • Os dados multiespectrais fornecem informações espectrais adicionais além do RGB padrão, permitindo que os modelos distingam objetos com base em diferenças sutis de refletância ao longo dos comprimentos de onda. Isso pode melhorar a precisão da detecção, especialmente em cenários desafiadores, como pouca luz ou camuflagem.

  • Sim. COCO8-Multispectral funciona com a Ultralytics Platform e com os modelos Ultralytics YOLO, incluindo YOLO26, tanto para treinamento como para validação.

  • Para entender melhor os métodos de aumento de dados, como o mosaico, e seu impacto no desempenho do modelo, consulte o guia de aumento de dados do YOLO e o blog da Ultralytics sobre aumento de dados.

  • É ideal para demonstrações educativas, prototipagem de novas arquiteturas de modelos e verificação de pipelines multicanais. Com apenas 8 imagens, é pequeno demais para gerar métricas de benchmark relevantes; por isso, usa um conjunto de dados maior quando precisares de métricas representativas.

Comentários1

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

  1. brenoslinharesGitHub

    Good afternoon.

    I reproduced it for detection and it worked normally. However, adapting the COCO8-Multispectral dataset for classification, as well as the .yaml file when loading the model with channels equal to 10 and the dataset root path in data, returns the following error: RuntimeError: Given groups=1, weight of size [16, 10, 3, 3], expected input [4, 3, 640, 640] to have 10 channels, but got 3 channels instead.

    Is it possible to use it for classification, including with data augmentation? How would this be possible? Has there been an update for this task?

    Thank you in advance.