Link to this sectionНабор данных COCO8-Multispectral#

Link to this sectionВведение#

Набор данных Ultralytics COCO8-Multispectral — это расширенная версия оригинального набора COCO8, созданная для упрощения экспериментов с моделями мультиспектрального 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, способные использовать более богатую спектральную информацию.

COCO8-Multispectral полностью совместим с Ultralytics Platform и YOLO26, что обеспечивает бесшовную интеграцию в твои рабочие процессы computer vision.

Link to this sectionГенерация набора данных#

Мультиспектральные изображения в COCO8-Multispectral были созданы путем интерполяции оригинальных RGB-изображений по 10 равномерно распределенным спектральным каналам в видимом диапазоне. Процесс включает:

• Назначение длины волны: Присвоение 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 от 450 нм до 700 нм, в результате чего получается 10 спектральных каналов.
• Экстраполяция: Применение экстраполяции с помощью функции interp1d из библиотеки SciPy для оценки значений за пределами исходных длин волн RGB, что обеспечивает полное спектральное представление.

Этот подход имитирует процесс мультиспектральной съемки, предоставляя более разнообразный набор данных для обучения и оценки моделей. Дополнительную информацию о мультиспектральной съемке см. в статье Википедии о мультиспектральной съемке.

Link to this sectionYAML набора данных#

Набор данных COCO8-Multispectral настраивается с помощью файла YAML, в котором определяются пути к данным, названия классов и основные метаданные. Ты можешь ознакомиться с официальным файлом 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.zip

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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных COCO8-Multispectral в течение 100 epochs с размером изображения 640, используй следующие примеры. Полный список параметров обучения приведен 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 модели и лучших практиках ознакомься с документацией по моделям Ultralytics YOLO и руководством по советам по обучению моделей YOLO.

Link to this sectionПримеры изображений и аннотации#

Ниже приведен пример мозаичного обучающего батча из набора данных COCO8-Multispectral:

• Мозаичное изображение: Это изображение демонстрирует обучающий батч, в котором несколько изображений из набора 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 максимально эффективно использует каждое изображение во время обучения.

Link to this sectionЦитирование 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.

Link to this sectionFAQ#

Link to this sectionДля чего используется набор данных Ultralytics COCO8-Multispectral?#

Набор данных Ultralytics COCO8-Multispectral предназначен для быстрого тестирования и отладки моделей multispectral object detection. Имея всего 8 изображений (4 для обучения, 4 для валидации), он идеально подходит для проверки твоих конвейеров обучения YOLO26 и обеспечения того, что всё работает как ожидается, перед переходом к большим наборам данных. Чтобы найти больше наборов данных для экспериментов, посети каталог наборов данных Ultralytics.

Link to this sectionКак мультиспектральные данные улучшают обнаружение объектов?#

Мультиспектральные данные предоставляют дополнительную спектральную информацию сверх стандартного RGB, позволяя 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 multispectral imaging и его применении в продвинутом компьютерном зрении.

Link to this sectionСовместим ли COCO8-Multispectral с платформой Ultralytics и моделями YOLO?#

Да, COCO8-Multispectral полностью совместим с Ultralytics Platform и всеми моделями YOLO, включая последнюю версию YOLO26. Это позволяет легко интегрировать набор данных в твои рабочие процессы обучения и валидации.

Link to this sectionГде 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.

Link to this sectionМогу 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. Чтобы найти больше наборов данных для бенчмаркинга, ознакомься с коллекцией наборов данных для бенчмаркинга Ultralytics.