Başla

COCO8-Multispectral Veri Kümesi

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

Giriş#

Ultralytics COCO8-Multispectral veri kümesi, çok spektrumlu nesne algılama modelleriyle denemeler yapmak için özgün COCO8 veri kümesinin bir varyantıdır. COCO train 2017 kümesindeki aynı 8 görüntüden (4'ü eğitim, 4'ü doğrulama için) oluşur; ancak her görüntü 10 kanallı çok spektrumlu biçime dönüştürülmüştür. Standart RGB kanallarının ötesine geçen COCO8-Multispectral, daha zengin spektral bilgiden yararlanan modellerin geliştirilmesini ve değerlendirilmesini sağlar.

Multispectral imaging for object detection

COCO8-Multispectral, Ultralytics Platform ve YOLO26 ile çalışır; böylece bu veri kümesini bilgisayarlı görü iş akışlarında doğrudan kullanabilirsin.



İzle: Ultralytics YOLO Gri Tonlamalı ve Çok Spektrumlu Veri Kümelerinde Nasıl Eğitilir | Çok Kanallı VisionAI 🚀

Veri Kümesi Yapısı#

COCO8-Multispectral, COCO8 ile aynı 8 görüntüyü paylaşır; görüntülerden 4'ü eğitim, 4'ü doğrulama için ayrılmıştır ve 80 COCO sınıf adıyla etiketlenmiştir. Ancak her görüntü, YOLO etiket biçiminde 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 Kümesi Oluşturma#

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

  • Dalga Boyu Atama: RGB kanallarına nominal dalga boyları atanır: Kırmızı: 650 nm, Yeşil: 510 nm, Mavi: 475 nm.
  • Enterpolasyon: 450 nm ile 700 nm arasındaki ara dalga boylarında piksel değerlerini tahmin etmek için doğrusal enterpolasyon kullanılır ve böylece 10 spektral kanal elde edilir.
  • Ekstrapolasyon: Tam bir spektral gösterim elde etmek için özgün RGB dalga boylarının ötesindeki değerleri tahmin etmek üzere doğrusal ekstrapolasyon uygulanır.

Bu yaklaşım, çok spektrumlu görüntüleme sürecini taklit ederek model eğitimi ve değerlendirmesi için daha çeşitli bir veri kümesi sağlar. Çok spektrumlu görüntüleme hakkında daha fazla bilgi için Wikipedia'daki Çok Spektrumlu Görüntüleme makalesine bak.

Veri Kümesi YAML Dosyası#

COCO8-Multispectral veri kümesi, veri kümesi yollarını, sınıf adlarını ve temel meta verileri tanımlayan bir YAML dosyasıyla yapılandırılır. Resmî coco8-multispectral.yaml dosyasını Ultralytics GitHub deposunda inceleyebilirsin.

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
Not

TIFF görüntülerini (channel, height, width) sırasına göre hazırla, .tiff veya .tif uzantısıyla kaydet ve Ultralytics ile kullanabilmek için uint8 olduklarından emin ol:

import cv2
import numpy as np

# 10 kanallı TIFF oluştur ve yaz
image = np.ones((10, 640, 640), dtype=np.uint8)  # CHW sırası
cv2.imwritemulti("example.tiff", image)

# TIFF'i oku
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape)  # (640, 640, 10)  Eğitim ve çıkarım için HWC sırası

Kullanım#

COCO8-Multispectral veri kümesi (20,2 MB), eğitime ilk başladığında otomatik olarak indirilir. COCO8-Multispectral üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n modelini eğitmek için aşağıdaki örnekleri kullan.

Eğitim Örneği
from ultralytics import YOLO

# Önceden eğitilmiş bir YOLO26n modeli yükle
model = YOLO("yolo26n.pt")

# Modeli COCO8-Multispectral üzerinde eğit
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 incele.

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda, COCO8-Multispectral veri kümesinden mozaiklenmiş bir eğitim grubu örneği yer alıyor:

COCO8 multispectral dataset mosaic training batch
  • Mozaiklenmiş Görüntü: Bu görüntü, birden fazla veri kümesi görüntüsünün mozaik artırma kullanılarak birleştirildiği bir eğitim grubunu gösteriyor. Mozaik artırma, her gruptaki nesne ve sahne çeşitliliğini artırarak modelin çeşitli nesne boyutlarına, en-boy oranlarına ve arka planlara daha iyi genelleme yapmasına yardımcı olur.

Bu teknik, eğitim sırasında her görüntünün kullanımını en üst düzeye çıkardığı için COCO8-Multispectral gibi küçük veri kümelerinde özellikle değerlidir.

Atıflar ve Teşekkürler#

COCO veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan lütfen aşağıdaki makaleye atıfta bulun:

Atıf
@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 katkılarını sürdürdüğü için COCO Consortium'a özellikle teşekkür ederiz.

Sık Sorulan Sorular#

  • Ultralytics COCO8-Multispectral veri kümesi, çok spektrumlu nesne algılama modellerini hızlıca test etmek ve hata ayıklamak için tasarlanmıştır. Yalnızca 8 görüntüden (4 eğitim, 4 doğrulama) oluştuğu için YOLO26 eğitim işlem hatlarını doğrulamak ve daha büyük veri kümelerine geçmeden önce her şeyin beklendiği gibi çalıştığından emin olmak için idealdir.

  • Çok spektrumlu veriler, standart RGB'nin ötesinde ek spektral bilgiler sağlar ve modellerin dalga boyları arasındaki yansıtma farklılıklarına dayanarak nesneleri ayırt etmesine olanak tanır. Bu, özellikle düşük ışık veya kamuflaj gibi zorlu senaryolarda algılama doğruluğunu artırabilir.

  • Evet. COCO8-Multispectral, hem eğitim hem de doğrulama için Ultralytics Platform ve YOLO26 dahil Ultralytics YOLO modelleriyle çalışır.

  • Mozaik gibi veri artırma yöntemlerini ve bunların model performansı üzerindeki etkisini daha iyi anlamak için YOLO Veri Artırma Kılavuzuna ve Ultralytics Veri Artırma Bloguna bak.

  • Eğitim amaçlı gösterimler, yeni model mimarilerinin prototipini oluşturma ve çok kanallı iş akışlarını doğrulama için uygundur. Yalnızca 8 görüntü içerdiğinden anlamlı kıyaslamalar için çok küçüktür; temsil edici metriklere ihtiyaç duyduğunda daha büyük bir veri kümesi kullan.

Yorumlar1

Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.

  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.