Начать

Датасет COCO8-Multispectral

COCO8 Multispectral preview 1
COCO8 Multispectral preview 2
COCO8 Multispectral preview 3
COCO8 Multispectral preview 4
8
COCO8 Multispectral
ultralytics
PublicDetect

Synthetic multispectral TIFFs made from COCO everyday-scene photos, with object boxes, for testing multi-channel detection pipelines. Created by Ultralytics by interpolating each COCO8 RGB image into 10 evenly spaced bands from 450 to 700 nm, so the extra channels are simulated rather than real sensor data. Source: Lin et al., "Microsoft COCO: Common Objects in Context," ECCV 2014; docs.ultralytics.com/datasets/detect/coco8-multispectral.

80 classes20.3 MBOct 23, 2026
personbicyclecarmotorcycle+76

Введение#

Набор данных COCO8-Multispectral от Ultralytics — вариант исходного набора COCO8 для экспериментов с моделями обнаружения объектов по мультиспектральным данным. Он содержит те же 8 изображений из обучающей выборки COCO train 2017 — 4 для обучения и 4 для валидации, — но каждое изображение преобразовано в мультиспектральный формат с 10 каналами. Благодаря использованию каналов помимо стандартных RGB COCO8-Multispectral позволяет разрабатывать и оценивать модели, работающие с более подробной спектральной информацией.

Multispectral imaging for object detection

COCO8-Multispectral совместим с Ultralytics Platform и YOLO26, поэтому его можно напрямую использовать в рабочих процессах компьютерного зрения.



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

Структура набора данных#

COCO8-Multispectral использует те же 8 изображений, что и COCO8: 4 для обучения и 4 для валидации, размеченные 80 названиями классов COCO. Однако каждое изображение хранится как 10-канальный мультиспектральный .tiff в формате разметки YOLO:

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

Создание датасета#

Мультиспектральные изображения COCO8-Multispectral созданы путём интерполяции исходных RGB-изображений по 10 равномерно распределённым спектральным каналам в видимом диапазоне. Процесс включает:

  • Назначение длин волн: назначение номинальных длин волн каналам RGB — красный: 650 нм, зелёный: 510 нм, синий: 475 нм.
  • Интерполяция: линейная интерполяция для оценки значений пикселей на промежуточных длинах волн между 450 нм и 700 нм, в результате чего получаются 10 спектральных каналов.
  • Экстраполяция: линейная экстраполяция для оценки значений за пределами исходных длин волн RGB, обеспечивающая полное спектральное представление.

Этот подход имитирует процесс мультиспектральной съёмки и предоставляет более разнообразные данные для обучения и оценки моделей. Подробнее о мультиспектральной съёмке см. в статье Википедии о мультиспектральной съёмке.

Файл YAML набора данных#

Датасет COCO8-Multispectral настраивается с помощью YAML-файла, в котором указаны пути к данным, названия классов и важные метаданные. Официальный файл coco8-multispectral.yaml можно посмотреть в репозитории Ultralytics на 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

Подготовь TIFF-изображения в порядке (channel, height, width), сохрани их с расширением .tiff или .tif и убедись, что они имеют формат uint8, чтобы использовать их с Ultralytics:

import cv2
import numpy as np

# Создание и запись 10-канального TIFF
image = np.ones((10, 640, 640), dtype=np.uint8)  # Порядок CHW
cv2.imwritemulti("example.tiff", image)

# Чтение TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  порядок HWC для обучения и инференса

Использование#

Датасет COCO8-Multispectral (20,2 МБ) автоматически загружается при первом запуске обучения. Чтобы обучить модель YOLO26n на COCO8-Multispectral 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")

# Обучи модель на COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)

Подробнее о выборе модели и лучших практиках читай в документации по моделям Ultralytics YOLO и руководстве по обучению моделей YOLO.

Примеры изображений и аннотаций#

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

COCO8 multispectral dataset mosaic training batch
  • Мозаичное изображение: на этом изображении показан обучающий батч, в котором несколько изображений датасета объединены с помощью мозаичной аугментации. Мозаичная аугментация увеличивает разнообразие объектов и сцен в каждом батче, помогая модели лучше обобщать данные для объектов разных размеров и пропорций, а также для разных фонов.

Этот метод особенно полезен для небольших датасетов, таких как COCO8-Multispectral, поскольку позволяет максимально эффективно 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 компьютерного зрения.

Часто задаваемые вопросы#

  • Датасет Ultralytics COCO8-Multispectral предназначен для быстрого тестирования и отладки моделей мультиспектрального обнаружения объектов. Он содержит всего 8 изображений (4 для обучения и 4 для валидации), поэтому отлично подходит для проверки конвейеров обучения YOLO26 перед переходом к более крупным датасетам.

  • Мультиспектральные данные содержат дополнительную спектральную информацию помимо стандартных RGB-каналов, что позволяет моделям различать объекты по незначительным различиям в отражательной способности на разных длинах волн. Это может повысить точность обнаружения, особенно в сложных условиях, например при слабом освещении или маскировке.

  • Да. COCO8-Multispectral совместим с Ultralytics Platform и моделями Ultralytics YOLO, включая YOLO26, как для обучения, так и для валидации.

  • Чтобы подробнее разобраться в методах аугментации данных, таких как мозаичная аугментация, и их влиянии на производительность модели, смотри руководство по аугментации данных YOLO и статью в блоге Ultralytics об аугментации данных.

  • Этот набор отлично подходит для учебных демонстраций, создания прототипов новых архитектур моделей и проверки многоканальных конвейеров. В нем всего 8 изображений, поэтому он слишком мал для содержательного сравнения моделей; для репрезентативных метрик используй более крупный набор данных.

Комментарии1

Задай вопрос, поделись результатами или помоги кому-нибудь.

  1. brenoslinharesGitHub

    Good afternoon.

    I reproduced it for detection and it worked normally. However, adapting the COCO8-Multispectral dataset for classification, as well as the .yaml file when loading the model with channels equal to 10 and the dataset root path in data, returns the following error: RuntimeError: Given groups=1, weight of size [16, 10, 3, 3], expected input [4, 3, 640, 640] to have 10 channels, but got 3 channels instead.

    Is it possible to use it for classification, including with data augmentation? How would this be possible? Has there been an update for this task?

    Thank you in advance.