COCO8-Multispectral Veri Seti#

Giriş#

Ultralytics COCO8-Multispectral veri seti, multispektrel nesne tespiti modelleriyle denemeleri kolaylaştırmak için tasarlanmış orijinal COCO8 veri setinin gelişmiş bir varyantıdır. COCO train 2017 setindeki aynı 8 görüntüden—eğitim için 4 ve doğrulama için 4—oluşur, ancak her görüntü 10 kanallı bir multispektrel biçime dönüştürülmüştür. Standart RGB kanallarının ötesine geçen COCO8-Multispectral, daha zengin spektral bilgileri değerlendirebilen modellerin geliştirilmesini ve değerlendirilmesini sağlar.

COCO8-Multispectral, Ultralytics Platform ve YOLO26 ile tam uyumludur ve computer vision iş akışlarınıza sorunsuz bir şekilde entegre olmasını sağlar.

Veri Kümesi Yapısı#

COCO8-Multispectral, tüm 80 COCO nesne sınıfında eğitim için 4 ve doğrulama için 4 olmak üzere COCO8 ile aynı 8 görseli paylaşır, ancak her görsel YOLO etiket formatında 10 kanallı çok spektrumlu bir .tiff olarak saklanır:

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

Veri Seti Oluşturma#

COCO8-Multispectral içindeki çok spektrumlu görüntüler, orijinal RGB görüntülerinin görünür spektrum içindeki 10 eşit aralıklı spektral kanal boyunca enterpole edilmesiyle oluşturulmuştur. Süreç şunları içerir:

• Dalga Boyu Atama: RGB kanallarına nominal dalga boylarının atanması—Kırmızı: 650 nm, Yeşil: 510 nm, Mavi: 475 nm.
• Enterpolasyon: 450 nm ile 700 nm arasındaki ara dalga boylarında piksel değerlerini tahmin etmek için lineer enterpolasyon kullanımı, sonuçta 10 spektral kanal elde edilir.
• Ekstrapolasyon: Orijinal RGB dalga boylarının ötesindeki değerleri tahmin etmek için doğrusal ekstrapolasyon uygulamak, eksiksiz bir spektral temsil sağlar.

Bu yaklaşım, model eğitimi ve değerlendirmesi için daha çeşitli bir veri seti sunarak multispektrel görüntüleme sürecini simüle eder. Multispektrel görüntüleme hakkında daha fazla bilgi edinmek için Multispektrel Görüntüleme Vikipedi maddesine göz at.

Veri Kümesi YAML#

COCO8-Multispectral veri seti; veri seti yollarını, sınıf adlarını ve temel meta verileri tanımlayan bir YAML dosyası kullanılarak yapılandırılır. Resmi coco8-multispectral.yaml dosyasını Ultralytics GitHub repository üzerinden inceleyebilirsin.

# 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

Kullanım#

COCO8-Multispectral veri seti (20.2 MB), ilk kez eğitime başladığında otomatik olarak indirilir. 640 görüntü boyutuyla 100 epochs boyunca COCO8-Multispectral üzerinde bir YOLO26n modeli eğitmek için aşağıdaki örnekleri kullan. Eğitim seçeneklerinin kapsamlı bir listesi için YOLO Training documentation kısmına bak.

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)

Model seçimi ve en iyi uygulamalar hakkında daha fazla detay için Ultralytics YOLO model documentation ve YOLO Model Training Tips guide rehberini keşfet.

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda, COCO8-Multispectral veri setinden bir mozaik eğitim yığını örneği verilmiştir:

• Mosaiced Image: Bu görüntü, birden fazla veri seti görüntüsünün mosaic augmentation kullanılarak birleştirildiği bir eğitim grubunu gösterir. Mozaik artırma, her gruptaki nesne ve sahne çeşitliliğini artırarak modelin çeşitli nesne boyutlarına, en-boy oranlarına ve arka planlara daha iyi uyum sağlamasına yardımcı olur.

Bu teknik, eğitim sırasında her görüntünün faydasını maksimize ettiği için COCO8-Multispectral gibi küçük veri setleri için özellikle değerlidir.

Alıntılar ve Teşekkür#

Eğer COCO veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan, lütfen şu makaleye atıfta bulun:

@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}
}

Bilgisayarlı görü topluluğuna devam eden katkılarından ötürü COCO Konsorsiyumu'na özellikle teşekkür ederiz.

SSS#

Ultralytics COCO8-Multispectral Veri Seti Ne İçin Kullanılır?#

Ultralytics COCO8-Multispectral veri seti, multispektrel nesne tespiti modellerinin hızlı testi ve hata ayıklaması için tasarlanmıştır. Sadece 8 görüntü (4 eğitim, 4 doğrulama) içermesi sayesinde, daha büyük veri setlerine geçmeden önce YOLO26 eğitim boru hatlarını doğrulamak ve her şeyin beklendiği gibi çalıştığından emin olmak için idealdir. Deneme yapabileceğin daha fazla veri seti için Ultralytics Datasets Catalog adresini ziyaret et.

Çok Spektrumlu Veri Nesne Algılamayı Nasıl Geliştirir?#

Multispektrel veriler, standart RGB'nin ötesinde ek spektral bilgi sağlayarak modellerin dalga boylarındaki ince yansıtma farklarına dayanarak nesneleri ayırt etmesini sağlar. Bu durum, özellikle zorlu senaryolarda tespit doğruluğunu artırabilir. multispektrel görüntüleme ve advanced computer vision alanındaki uygulamaları hakkında daha fazla bilgi edin.

COCO8-Multispectral, Ultralytics Platform ve YOLO Modelleri ile Uyumlu mu?#

Evet, COCO8-Multispectral, Ultralytics Platform ve en son YOLO26 dahil olmak üzere tüm YOLO models ile tam uyumludur. Bu, veri setini eğitim ve doğrulama iş akışlarına kolayca entegre etmeni sağlar.

Veri Artırma Teknikleri Hakkında Daha Fazla Bilgiyi Nerede Bulabilirim?#

Mozaik gibi veri artırma yöntemleri ve bunların model performansı üzerindeki etkileri hakkında daha derin bir anlayış için YOLO Data Augmentation Guide ve Ultralytics Blog on Data Augmentation yazısına göz at.

COCO8-Multispectral'ı Kıyaslama veya Eğitim Amaçlı Kullanabilir miyim?#

Kesinlikle! COCO8-Multispectral'in küçük boyutu ve multispektrel doğası; kıyaslama (benchmarking), eğitim gösterimleri ve yeni model mimarilerini prototipleme için ideal hale getirir. Daha fazla kıyaslama veri seti için Ultralytics Benchmark Dataset Collection sayfasına bak.