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.
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 🚀 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.zipИспользование#
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.
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:
- 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:
@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 обученияfrom 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.
arfan1181
Finally
1shkim-lp
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!
Glenn JocherUltralyticsThere’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()1shkim-lp
Thank you for such a prompt and precise answer!
Glenn JocherUltralyticsGlad it helped—if you end up training a
channels: 1model you can usually skipGRAY2BGRand 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).
zjjzeng
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?
Glenn JocherUltralyticsGreat 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.



