Набор данных COCO8-Multispectral
Введение
Набор данных Ultralytics COCO8-Multispectral — это усовершенствованный вариант оригинального набора данных COCO8, разработанный для упрощения экспериментов с мультиспектральными моделями обнаружения объектов. Он состоит из тех же 8 изображений из набора COCO train 2017 — 4 для обучения и 4 для валидации, — но каждое изображение преобразовано в 10-канальный мультиспектральный формат. Выходя за рамки стандартных RGB-каналов, COCO8-Multispectral позволяет разрабатывать и оценивать модели, которые могут использовать более богатую спектральную информацию.
COCO8-Multispectral полностью совместим с Ultralytics Platform и YOLO26, что обеспечивает бесшовную интеграцию в твои рабочие процессы компьютерного зрения.
Watch: How to Train Ultralytics YOLO26 on Multispectral Datasets | Multi-Channel VisionAI 🚀
Генерация набора данных
Мультиспектральные изображения в COCO8-Multispectral были созданы путем интерполяции исходных RGB-изображений по 10 равномерно распределенным спектральным каналам в видимом спектре. Процесс включает:
- Назначение длины волны: Присвоение номинальных длин волн RGB-каналам — Красный: 650 нм, Зеленый: 510 нм, Синий: 475 нм.
- Интерполяция: Использование линейной интерполяции для оценки значений пикселей на промежуточных длинах волн от 450 нм до 700 нм, в результате чего получается 10 спектральных каналов.
- Экстраполяция: Применение экстраполяции с помощью функции
interp1dиз SciPy для оценки значений за пределами исходных RGB-волн, что обеспечивает полное спектральное представление.
Этот подход имитирует процесс мультиспектральной визуализации, предоставляя более разнообразный набор данных для обучения и оценки моделей. Для дальнейшего изучения мультиспектральной визуализации см. статью о мультиспектральной визуализации в Википедии.
YAML набора данных
Набор данных COCO8-Multispectral настраивается с помощью файла YAML, который определяет пути к данным, имена классов и важные метаданные. Ты можешь просмотреть официальный файл coco8-multispectral.yaml в репозитории Ultralytics на GitHub.
# 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.zipПодготовь свои TIFF-изображения в порядке (channel, height, width), сохранив их с расширением .tiff или .tif, и убедись, что они представлены в формате uint8 для использования с Ultralytics:
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 inferenceИспользование
Чтобы обучить модель YOLO26n на наборе данных COCO8-Multispectral в течение 100 эпох с размером изображения 640, используй следующие примеры. Полный список параметров обучения см. в документации по обучению YOLO.
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)Для получения подробной информации о выборе моделей и лучших практиках изучи документацию по моделям Ultralytics YOLO и руководство по советам по обучению моделей YOLO.
Примеры изображений и аннотаций
Ниже представлен пример мозаичного тренировочного батча из набора данных COCO8-Multispectral:
- Мозаичное изображение: Это изображение демонстрирует тренировочный батч, где несколько изображений из набора данных объединены 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 ценен для небольших наборов данных, таких как COCO8-Multispectral, поскольку он максимизирует полезность каждого изображения во время обучения.
Цитирование и благодарности
Если ты используешь набор данных COCO в своих исследованиях или разработках, пожалуйста, процитируй 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 COCO Consortium за их постоянный вклад в сообщество компьютерного зрения.
Часто задаваемые вопросы (FAQ)
Для чего используется набор данных Ultralytics COCO8-Multispectral?
Набор данных Ultralytics COCO8-Multispectral предназначен для быстрого тестирования и отладки моделей мультиспектрального обнаружения объектов. Имея всего 8 изображений (4 для обучения, 4 для валидации), он идеально подходит для проверки твоих конвейеров обучения YOLO26 и подтверждения того, что все работает как ожидалось, прежде чем переходить к более крупным наборам данных. Чтобы найти другие наборы данных для экспериментов, посети каталог наборов данных Ultralytics.
Как мультиспектральные данные улучшают обнаружение объектов?
Мультиспектральные данные предоставляют дополнительную спектральную информацию помимо стандартного RGB, что позволяет моделям различать объекты на основе тонких различий в отражательной способности на разных длинах волн. Это может повысить точность обнаружения, особенно в сложных сценариях. Узнай больше о мультиспектральной визуализации и ее применениях в продвинутом компьютерном зрении.
Совместим ли COCO8-Multispectral с Ultralytics Platform и моделями YOLO?
Да, COCO8-Multispectral полностью совместим с Ultralytics Platform и всеми моделями YOLO, включая последнюю YOLO26. Это позволяет легко интегрировать набор данных в твои рабочие процессы обучения и валидации.
Где я могу найти больше информации о методах аугментации данных?
Для более глубокого понимания методов аугментации данных, таких как мозаика, и их влияния на производительность модели, обратись к Руководству по аугментации данных YOLO и блогу Ultralytics об аугментации данных.
Могу ли я использовать COCO8-Multispectral для бенчмаркинга или в образовательных целях?
Безусловно! Небольшой размер и мультиспектральный характер COCO8-Multispectral делают его идеальным для бенчмаркинга, образовательных демонстраций и прототипирования новых архитектур моделей. Для получения дополнительных наборов данных для тестирования см. Коллекцию наборов данных для бенчмаркинга Ultralytics.