Набор данных COCO8-Grayscale

Введение

Метод Ultralytics Набор данных COCO8-Grayscale — это компактный, но мощный обнаружения объектов набор данных, состоящий из первых 8 изображений из набора COCO train 2017, преобразованных в формат оттенков серого (grayscale) — 4 для обучения и 4 для валидации. Этот набор данных специально разработан для быстрого тестирования, отладки и экспериментов с YOLO моделями в оттенках серого и конвейерами обучения. Его малый размер делает его очень удобным, а разнообразие гарантирует эффективную проверку работоспособности перед масштабированием до более крупных наборов данных.

COCO8-Grayscale полностью совместим с Ultralytics Platform и YOLO26, что обеспечивает бесшовную интеграцию в твои рабочие процессы компьютерного зрения.

YAML набора данных

Конфигурация набора данных COCO8-Grayscale определяется в файле YAML (Yet Another Markup Language), который задает пути к данным, имена классов и другие важные метаданные. Ты можешь ознакомиться с официальным coco8-grayscale.yaml файлом в репозитория Ultralytics на GitHub.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-grayscale ← downloads here (1 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-grayscale # 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)

channels: 1

# 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-grayscale.zip

Использование

Чтобы обучить модель YOLO26n на наборе данных COCO8-Grayscale в течение 100 эпохах при размере изображения 640, используй следующие примеры. Полный список параметров обучения смотри в документации по обучению YOLO.

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций

Ниже приведен пример мозаичного обучающего батча из набора данных COCO8-Grayscale:

• Мозаичное изображение: Это изображение иллюстрирует обучающий батч, где несколько изображений из набора данных объединяются с помощью мозаичной аугментации. Мозаичная аугментация увеличивает разнообразие объектов и сцен в каждом батче, помогая модели лучше обобщать данные для различных размеров объектов, соотношений сторон и фонов.

Этот метод особенно полезен для небольших наборов данных, таких как COCO8-Grayscale, поскольку он максимизирует ценность каждого изображения во время обучения.

Цитирование и благодарности

Если ты используешь набор данных COCO в своих исследованиях или разработках, пожалуйста, сошлись на следующую работу:

@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}
}

Особая благодарность COCO Consortium за их постоянный вклад в компьютерного зрения сообщества.

FAQ

Для чего используется набор данных Ultralytics COCO8-Grayscale?

Набор данных Ultralytics COCO8-Grayscale разработан для быстрого тестирования и отладки обнаружения объектов моделей. Благодаря всего 8 изображениям (4 для обучения, 4 для валидации) он идеально подходит для проверки твоих YOLO конвейеров обучения и гарантии того, что всё работает как ожидается, перед масштабированием до более крупных наборов данных. Изучи YAML-конфигурацию COCO8-Grayscale для получения более подробной информации.

Как обучить модель YOLO26 с помощью набора данных COCO8-Grayscale?

Ты можешь обучить модель YOLO26 на COCO8-Grayscale, используя Python или CLI:

from ultralytics import YOLO

# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")

# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

Дополнительные параметры обучения смотри в документации по обучению YOLO.

Почему стоит использовать платформу Ultralytics для управления обучением на COCO8-Grayscale?

Ultralytics Platform оптимизирует управление наборами данных, обучение и развертывание для YOLO моделей — включая COCO8-Grayscale. Благодаря таким функциям, как облачное обучение, мониторинг в реальном времени и интуитивно понятная работа с данными, HUB позволяет запускать эксперименты одним кликом и избавляет от ручной настройки. Узнай больше о Ultralytics Platform и о том, как это ускорит твои проекты в области компьютерного зрения.

В чем преимущества использования мозаичной аугментации при обучении на наборе данных COCO8-Grayscale?

Мозаичная аугментация, используемая при обучении на COCO8-Grayscale, объединяет несколько изображений в одно во время каждого батча. Это увеличивает разнообразие объектов и фонов, помогая твоей YOLO модели лучше обобщать данные для новых сценариев. Мозаичная аугментация особенно ценна для небольших наборов данных, так как она максимизирует информацию, доступную на каждом шаге обучения. Подробнее об этом смотри в руководстве по обучению.

Как проверить (валидировать) мою модель YOLO26, обученную на наборе данных COCO8-Grayscale?

Чтобы проверить твою модель YOLO26 после обучения на COCO8-Grayscale, используй команды валидации модели в Python или CLI. Это позволит оценить производительность твоей модели с использованием стандартных метрик. Пошаговые инструкции ищи в документации по валидации YOLO.