Начать

Датасет COCO8-Grayscale

Введение#

Набор данных COCO8-Grayscale от Ultralytics — компактный набор данных для обнаружения объектов, состоящий из первых 8 изображений обучающей выборки COCO 2017, преобразованных в градации серого: 4 изображения для обучения и 4 для валидации. Он предназначен для быстрого тестирования, отладки и экспериментов с моделями YOLO для изображений в градациях серого и конвейерами обучения. Благодаря небольшому размеру с ним легко работать, а разнообразие изображений позволяет эффективно проверить работоспособность перед переходом к более крупным наборам данных.



Смотри: Как обучить Ultralytics YOLO на монохромных и мультиспектральных датасетах | Многоканальное VisionAI 🚀

Структура набора данных#

COCO8-Grayscale повторяет состав COCO8: первые 8 изображений набора COCO train 2017, разделённые на 4 для обучения и 4 для валидации и размеченные 80 названиями классов COCO. Однако каждое изображение хранится как одноканальное (channels: 1) изображение в оттенках серого в формате разметки YOLO:

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

Открой COCO8-Grayscale на платформе Ultralytics, чтобы просмотреть все изображения с наложенными аннотациями, изучить распределение классов и тепловые карты ограничивающих рамок на вкладке Charts, а также клонировать датасет для обучения собственной модели в облаке.

Файл YAML набора данных#

Конфигурация датасета COCO8-Grayscale задаётся в YAML-файле, где указаны пути к данным, названия классов и другие важные метаданные. Официальный файл coco8-grayscale.yaml можно посмотреть в репозитории Ultralytics на GitHub.

Примечание

Чтобы обучать модель на RGB-изображениях в градациях серого, добавь channels: 1 в YAML-файл набора данных. Во время обучения все изображения будут преобразованы в градации серого, поэтому отдельный набор данных не понадобится.

ultralytics/cfg/datasets/coco8-grayscale.yaml
# 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#

Датасет COCO8-Grayscale (1 МБ) автоматически загружается при первом запуске обучения. Чтобы обучить модель YOLO26n на COCO8-Grayscale в течение 100 эпох с размером изображения 640, используй следующие примеры.

Пример обучения
from ultralytics import YOLO

# Загрузить предобученную модель YOLO26n
model = YOLO("yolo26n.pt")

# Обучение модели на COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций#

Ниже приведён пример мозаичного обучающего батча из датасета COCO8-Grayscale:

COCO8 grayscale dataset mosaic training batch
  • Изображение с мозаичным преобразованием: на этом изображении показан обучающий батч, в котором несколько изображений из набора данных объединены с помощью мозаичной аугментации. Мозаичная аугментация повышает разнообразие объектов и сцен в каждом батче, помогая модели лучше обобщать данные при разных размерах объектов, соотношениях сторон и фонах.

Этот метод особенно полезен для небольших датасетов, таких как COCO8-Grayscale, поскольку позволяет максимально использовать каждое изображение во время обучения.

Цитирование и благодарности#

Если ты используешь датасет COCO в исследовательской или разработческой работе, укажи в ссылках следующую статью:

Цитирование
@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 консорциуму COCO за постоянный вклад в развитие сообщества специалистов по компьютерному зрению.

Часто задаваемые вопросы#

  • Датасет Ultralytics COCO8-Grayscale предназначен для быстрого тестирования и отладки моделей обнаружения объектов. Он содержит всего 8 изображений (4 для обучения и 4 для валидации), поэтому отлично подходит для проверки конвейеров обучения YOLO и тестирования их работоспособности перед переходом к более крупным датасетам.

  • Ты можешь обучить модель YOLO26 на COCO8-Grayscale с помощью Python или CLI:

    Пример обучения
    from ultralytics import YOLO
    
    # Загрузить предобученную модель YOLO26n
    model = YOLO("yolo26n.pt")
    
    # Обучение модели на COCO8-Grayscale
    results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

    Дополнительные параметры обучения см. в документации по обучению YOLO.

  • При аугментации мозаикой, используемой при обучении на COCO8-Grayscale, несколько изображений объединяются в одно в каждом пакете. Это увеличивает разнообразие объектов и фонов, помогая модели YOLO лучше обобщать данные в новых сценариях. Аугментация мозаикой особенно полезна для небольших датасетов, поскольку позволяет извлечь максимум информации из каждого шага обучения.

  • Чтобы валидировать модель YOLO26 после обучения на COCO8-Grayscale, выполни команды валидации модели в Python или CLI. Они оценивают производительность модели с помощью стандартных метрик. Пошаговые инструкции см. в документации по валидации YOLO.

Комментарии7

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. shkim-lpGitHub

    Dear Ultralytics, Hello. I am a learner and a user of Ultralytics-YOLO Software. I am writing this post to ask questions about tracking Livestream color videos in grayscale.

    At the moment, I am using Ultralytics for Classification/Segmentation/Tracking of my Livestream video. My livestream video contains 4 different types of connectors, which are moved by robots.

    I have used the software well so far to classify/segment/track the 4 connectors in Livestream color video I tracked the Livestream video with results = model.track(source="0", show=Trune, save=True), which displayed live results with "0" window. I was happy with the result.

    Now, I want to test the performance for a real scenario, where the Livestream camera will aceept only B/W images (The equipment has not been installed yet and I am trying to emulate future situation). I learned how to train models in B/W images with simple addition of channels = 1 . However, I still don't know how to track a Livestream video (where images are imported in color) in B/W scales and output them in B/W in "0" window.
    Would there be an easy method to invoke results = model.track(source="0", show=Ture, save=True) , but classify/segment/track in B/W scale and output them in B/W as well?

    Thank you for your assistance!

    1. Glenn JocherUltralytics

      There’s no built-in switch in model.track(source=0, ...) to force grayscale preprocessing for a webcam stream, so the simplest way to emulate a B/W camera is to read frames with OpenCV, convert to grayscale, then replicate back to 3 channels (GRAY2BGR) so it works with any YOLO model, and display/save the result (training-side grayscale is covered on the COCO8-Grayscale dataset page).

      import cv2
      from ultralytics import YOLO
      
      model = YOLO("best.pt")  # your det/seg model
      cap = cv2.VideoCapture(0)
      
      while True:
          ok, frame = cap.read()
          if not ok:
              break
      
          gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
          frame_bw3 = cv2.cvtColor(gray, cv2.COLOR_GRAY2BGR)  # BW content, kept 3-channel
      
          results = model.track(source=frame_bw3, persist=True, verbose=False)
          annotated = results[0].plot()  # BGR
          annotated_gray = cv2.cvtColor(annotated, cv2.COLOR_BGR2GRAY)
      
          cv2.imshow("0", annotated_gray)
          if cv2.waitKey(1) == 27:  # ESC to quit
              break
      
      cap.release()
      cv2.destroyAllWindows()
      1
    2. Glenn JocherUltralytics

      Glad it helped—if you end up training a channels: 1 model you can usually skip GRAY2BGR and feed the grayscale frame directly as (H, W) or (H, W, 1) (the loader will expand 2D grayscale to 1 channel), and feel free to drop any follow-up questions here so the Ultralytics team sees them (see the COCO8-Grayscale dataset docs).

  2. zjjzengGitHub

    Hello, I did not notice this page before, so I trained my model on default rgb 3 channels and then predicted. Actually, all my native dataset images are gray images, I used a numpy operation to manually transfer it before training. I wonder that if I change channels to 1, will I be able to gain any improvements on my model. And do I need to modify both data.yaml and my customized yolo11n.yaml, right?

    1. Glenn JocherUltralytics

      Great question—set channels: 1 in your dataset YAML and train; you don’t need to modify your custom yolo11n.yaml as the model’s first layer adapts automatically; if you previously replicated grayscale to 3 channels, accuracy differences are usually small while 1-channel can save memory, so a quick A/B run is the best way to confirm; for more on multi-channel handling, see the COCO8-Multispectral dataset page.