COCO8-Multispectral Veri Kümesi#

8

COCO8 Multispectral

ultralytics

publicDetect

COCO8 Multispectral is an eight-image detection utility with genuine 10-channel uint8 TIFF inputs. Four training and four validation images pair multispectral loading with COCO boxes and the 80-class taxonomy for focused pipeline validation.

80 classes20.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

Giriş#

Ultralytics COCO8-Multispectral veri kümesi, çok spektrumlu nesne algılama modelleriyle denemeler yapmayı kolaylaştırmak üzere tasarlanmış, orijinal COCO8 veri kümesinin gelişmiş bir varyantıdır. Veri kümesi, COCO train 2017 setindeki aynı 8 görüntüden (4'ü eğitim ve 4'ü doğrulama için) oluşur; ancak her görüntü 10 kanallı çok spektrumlu bir biçime dönüştürülmüştür. COCO8-Multispectral, standart RGB kanallarının ötesine geçerek daha zengin spektral bilgilerden yararlanabilen modellerin geliştirilmesini ve değerlendirilmesini sağlar.

COCO8-Multispectral, Ultralytics Platform ve YOLO26 ile tam uyumludur; böylece bilgisayarlı görü iş akışlarına sorunsuz şekilde entegre olur.

Veri Kümesi Yapısı#

COCO8-Multispectral, COCO8 ile aynı 8 görüntüyü (80 COCO nesne sınıfının tamamında 4 eğitim ve 4 doğrulama görüntüsü) paylaşır; ancak her görüntü, YOLO etiket biçiminde 10 kanallı çok spektrumlu bir .tiff olarak depolanır:

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

Veri Kümesi Oluşturma#

COCO8-Multispectral içindeki çok spektrumlu görüntüler, orijinal RGB görüntülerin görünür spektrum içinde eşit aralıklarla yerleştirilmiş 10 spektral kanal boyunca enterpolasyonu yapılarak oluşturulmuştur. Süreç şunları içerir:

• Dalga Boyu Ataması: RGB kanallarına nominal dalga boyları atanması—Kırmızı: 650 nm, Yeşil: 510 nm, Mavi: 475 nm.
• Enterpolasyon: 450 nm ile 700 nm arasındaki ara dalga boylarındaki piksel değerlerini tahmin etmek için doğrusal enterpolasyon kullanılması ve bunun sonucunda 10 spektral kanal elde edilmesi.
• Ekstrapolasyon: Tam bir spektral gösterim sağlamak üzere, orijinal RGB dalga boylarının dışındaki değerleri tahmin etmek için doğrusal ekstrapolasyon uygulanması.

Bu yaklaşım, çok spektrumlu bir görüntüleme sürecini simüle ederek model eğitimi ve değerlendirmesi için daha çeşitli bir veri kümesi sağlar. Çok spektrumlu görüntüleme hakkında daha fazla bilgi için Multispectral Imaging Wikipedia makalesine bakabilirsin.

Veri Kümesi YAML'i#

COCO8-Multispectral veri kümesi; veri kümesi yollarını, sınıf adlarını ve temel meta verileri tanımlayan bir YAML dosyası kullanılarak yapılandırılır. Resmî coco8-multispectral.yaml dosyasını Ultralytics GitHub deposunda 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 kümesi (20,2 MB), eğitimi ilk kez başlattığında otomatik olarak indirilir. COCO8-Multispectral üzerinde 100 epoch boyunca, görüntü boyutu 640 olan bir YOLO26n modelini eğitmek için aşağıdaki örnekleri kullanabilirsin. Eğitim seçeneklerinin kapsamlı listesi için YOLO Eğitim belgelerine bakabilirsin.

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 bilgi için Ultralytics YOLO model belgelerini ve YOLO Model Eğitimi İpuçları kılavuzunu inceleyebilirsin.

Örnek Görüntüler ve Açıklamalar#

Aşağıda, COCO8-Multispectral veri kümesinden mozaiklenmiş bir eğitim grubuna örnek verilmiştir:

• Mozaiklenmiş Görüntü: Bu görüntü, birden fazla veri kümesi görüntüsünün mozaik artırma kullanılarak birleştirildiği bir eğitim grubunu gösterir. Mozaik artırma, her grup içindeki nesne ve sahne çeşitliliğini artırarak modelin çeşitli nesne boyutlarına, en-boy oranlarına ve arka planlara daha iyi genelleme yapmasına yardımcı olur.

Bu teknik, COCO8-Multispectral gibi küçük veri kümeleri için özellikle değerlidir; çünkü eğitim sırasında her görüntünün faydasını en üst düzeye çıkarır.

Atıflar ve Teşekkürler#

COCO veri kümesini araştırmanda veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleyi kaynak göster:

@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}
}

Devam eden katkıları için COCO Consortium ekibine ve bilgisayarlı görü topluluğuna özel teşekkürler.

SSS#