Перейти к содержанию

Набор данных COCO8-Multispectral

Введение

Набор данных Ultralytics COCO8-Multispectral является продвинутым вариантом оригинального набора данных COCO8, разработанным для облегчения экспериментов с мультиспектральными моделями обнаружения объектов. Он состоит из тех же 8 изображений из набора COCO train 2017—4 для обучения и 4 для проверки—но каждое изображение преобразовано в 10-канальный мультиспектральный формат. Расширяясь за пределы стандартных RGB-каналов, COCO8-Multispectral позволяет разрабатывать и оценивать модели, которые могут использовать более богатую спектральную информацию.

Обзор мультиспектральной съемки

COCO8-Multispectral полностью совместим с Ultralytics HUB и YOLO11, обеспечивая бесшовную интеграцию в ваши рабочие процессы компьютерного зрения.



Смотреть: Как обучить Ultralytics YOLO11 на мультиспектральных наборах данных | 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 пределах видимого спектра. Этот процесс включает в себя:

  • Назначение длины волны: Назначение номинальных длин волн каналам RGB — красный: 650 нм, зеленый: 510 нм, синий: 475 нм.
  • Интерполяция: Использование линейной интерполяции для оценки значений пикселей на промежуточных длинах волн между 450 нм и 700 нм, что приводит к 10 спектральным каналам.
  • Экстраполяция: Применение экстраполяции с помощью SciPy interp1d функция для оценки значений за пределами исходных длин волн RGB, обеспечивающая полное спектральное представление.

Этот подход имитирует процесс мультиспектральной визуализации, предоставляя более разнообразный набор данных для обучения и оценки модели. Для получения дополнительной информации о мультиспектральной визуализации см. статью о мультиспектральной визуализации в Википедии.

YAML-файл набора данных

Набор данных COCO8-Multispectral настроен с использованием YAML-файла, который определяет пути к набору данных, названия классов и основные метаданные. Вы можете ознакомиться с официальным coco8-multispectral.yaml файл в репозиторий Ultralytics 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

Примечание

Подготовьте свои TIFF-изображения в (channel, height, width) порядке и сохраняются с .tiff или .tif расширение 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 inference

Использование

Чтобы обучить модель YOLO11n на наборе данных COCO8-Multispectral в течение 100 эпох с размером изображения 640, используйте следующие примеры. Полный список параметров обучения см. в документации по обучению YOLO.

Пример обучения

from ultralytics import YOLO

# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")

# Train the model on COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo11n.pt epochs=100 imgsz=640

Для получения более подробной информации о выборе модели и лучших практиках ознакомьтесь с документацией по моделям Ultralytics YOLO и руководством по советам по обучению моделей YOLO.

Примеры изображений и аннотации

Ниже приведен пример мозаичного пакета обучения из набора данных COCO8-Multispectral:

Образец изображения набора данных

  • Мозаичное изображение: Это изображение демонстрирует пакет обучения, в котором несколько изображений набора данных объединены с использованием мозаичной аугментации. Мозаичная аугментация увеличивает разнообразие объектов и сцен в каждом пакете, помогая модели лучше обобщать различные размеры объектов, соотношения сторон и фоны.

Этот метод особенно ценен для небольших наборов данных, таких как COCO8-Multispectral, поскольку он максимально увеличивает полезность каждого изображения во время обучения.

Цитирование и благодарности

Если вы используете набор данных COCO в своих исследованиях или разработках, пожалуйста, сошлитесь на 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

Для чего используется набор данных Ultralytics COCO8-Multispectral?

Набор данных Ultralytics COCO8-Multispectral предназначен для быстрой проверки и отладки моделей мультиспектрального обнаружения объектов. Всего с 8 изображениями (4 для обучения, 4 для проверки) он идеально подходит для проверки ваших конвейеров обучения YOLO и обеспечения того, что все работает должным образом, прежде чем масштабироваться до более крупных наборов данных. Чтобы получить больше наборов данных для экспериментов, посетите Каталог наборов данных Ultralytics.

Как мультиспектральные данные улучшают обнаружение объектов?

Мультиспектральные данные предоставляют дополнительную спектральную информацию помимо стандартного RGB, позволяя моделям различать объекты на основе незначительных различий в отражении по длинам волн. Это может повысить точность обнаружения, особенно в сложных сценариях. Узнайте больше о мультиспектральной съемке и ее применении в передовом компьютерном зрении.

Совместим ли COCO8-Multispectral с Ultralytics HUB и моделями YOLO?

Да, COCO8-Multispectral полностью совместим с Ultralytics HUB и всеми моделями YOLO, включая последнюю YOLO11. Это позволяет легко интегрировать набор данных в ваши рабочие процессы обучения и проверки.

Где я могу найти больше информации о методах увеличения данных?

Для более глубокого понимания методов увеличения данных, таких как мозаика, и их влияния на производительность модели, обратитесь к руководству по увеличению данных YOLO и блогу Ultralytics об увеличении данных.

Могу ли я использовать COCO8-Multispectral для бенчмаркинга или в образовательных целях?

Безусловно! Небольшой размер и мультиспектральная природа COCO8-Multispectral делают его идеальным для бенчмаркинга, образовательных демонстраций и прототипирования новых архитектур моделей. Дополнительные наборы данных для бенчмаркинга см. в Ultralytics Benchmark Dataset Collection.



📅 Создано 4 месяца назад ✏️ Обновлено 21 день назад

Комментарии