Tập dữ liệu COCO8-Grayscale
Giới thiệu
Tập dữ liệu COCO8-Grayscale của Ultralytics là một tập dữ liệu object detection nhỏ gọn nhưng mạnh mẽ, bao gồm 8 hình ảnh đầu tiên từ tập train COCO 2017 được chuyển đổi sang định dạng thang độ xám (grayscale)—4 hình ảnh để huấn luyện và 4 hình ảnh để kiểm chứng. Tập dữ liệu này được thiết kế đặc biệt cho việc kiểm thử nhanh, gỡ lỗi và thử nghiệm với các mô hình thang độ xám YOLO và các quy trình huấn luyện. Kích thước nhỏ giúp nó rất dễ quản lý, trong khi tính đa dạng đảm bảo nó đóng vai trò như một bước kiểm tra tính hợp lệ hiệu quả trước khi mở rộng quy mô lên các tập dữ liệu lớn hơn.
Watch: How to Train Ultralytics YOLO26 on Grayscale Datasets 🚀
COCO8-Grayscale hoàn toàn tương thích với Ultralytics Platform và YOLO26, cho phép tích hợp liền mạch vào các quy trình computer vision của bạn.
Dataset YAML
Cấu hình tập dữ liệu COCO8-Grayscale được định nghĩa trong một tệp YAML (Yet Another Markup Language), chỉ định các đường dẫn dữ liệu, tên lớp và các siêu dữ liệu thiết yếu khác. Bạn có thể xem tệp coco8-grayscale.yaml chính thức trong kho lưu trữ Ultralytics GitHub.
Để huấn luyện các hình ảnh RGB của bạn ở dạng thang độ xám, bạn chỉ cần thêm channels: 1 vào tệp YAML tập dữ liệu của mình. Điều này sẽ chuyển đổi tất cả hình ảnh sang thang độ xám trong quá trình huấn luyện, cho phép bạn tận dụng các lợi ích của thang độ xám mà không cần yêu cầu một tập dữ liệu riêng biệt.
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Grayscale dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-grayscale/
# Example usage: yolo train data=coco8-grayscale.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-grayscale ← downloads here (1 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-grayscale # 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)
channels: 1
# 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-grayscale.zipCách sử dụng
Để huấn luyện mô hình YOLO26n trên tập dữ liệu COCO8-Grayscale trong 100 epoch với kích thước hình ảnh là 640, hãy sử dụng các ví dụ sau. Để có danh sách đầy đủ các tùy chọn huấn luyện, hãy xem tài liệu Huấn luyện YOLO.
from ultralytics import YOLO
# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)Hình ảnh và chú thích mẫu
Dưới đây là một ví dụ về một batch huấn luyện được ghép (mosaiced) từ tập dữ liệu COCO8-Grayscale:
- Hình ảnh Mosaic: Hình ảnh này minh họa một batch huấn luyện nơi nhiều hình ảnh tập dữ liệu được kết hợp bằng cách sử dụng kỹ thuật mosaic augmentation. Mosaic augmentation làm tăng sự đa dạng của các đối tượng và bối cảnh trong mỗi batch, giúp model tổng quát hóa tốt hơn với nhiều kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.
Kỹ thuật này đặc biệt hữu ích cho các tập dữ liệu nhỏ như COCO8-Grayscale, vì nó tối đa hóa giá trị của từng hình ảnh trong quá trình huấn luyện.
Trích dẫn và Ghi nhận
Nếu bạn sử dụng tập dữ liệu COCO trong nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:
@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}
}Đặc biệt cảm ơn COCO Consortium vì những đóng góp không ngừng của họ cho cộng đồng computer vision.
Câu hỏi thường gặp (FAQ)
Tập dữ liệu Ultralytics COCO8-Grayscale được dùng để làm gì?
Tập dữ liệu Ultralytics COCO8-Grayscale được thiết kế để kiểm thử và gỡ lỗi nhanh các mô hình object detection. Với chỉ 8 hình ảnh (4 để huấn luyện, 4 để kiểm chứng), nó rất lý tưởng để xác minh các quy trình huấn luyện YOLO của bạn và đảm bảo mọi thứ hoạt động như mong đợi trước khi mở rộng quy mô lên các tập dữ liệu lớn hơn. Hãy khám phá cấu hình YAML COCO8-Grayscale để biết thêm chi tiết.
Làm thế nào để tôi huấn luyện mô hình YOLO26 bằng tập dữ liệu COCO8-Grayscale?
Bạn có thể huấn luyện mô hình YOLO26 trên COCO8-Grayscale bằng cách sử dụng Python hoặc CLI:
from ultralytics import YOLO
# Load a pretrained YOLO26n model
model = YOLO("yolo26n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)Để biết thêm các tùy chọn huấn luyện khác, hãy tham khảo YOLO Training documentation.
Tại sao tôi nên sử dụng Ultralytics Platform để quản lý việc huấn luyện trên COCO8-Grayscale của mình?
Ultralytics Platform giúp hợp lý hóa việc quản lý tập dữ liệu, huấn luyện và triển khai cho các mô hình YOLO—bao gồm cả COCO8-Grayscale. Với các tính năng như huấn luyện trên đám mây, giám sát thời gian thực và xử lý tập dữ liệu trực quan, HUB cho phép bạn khởi chạy các thử nghiệm chỉ với một cú nhấp chuột và loại bỏ những rắc rối khi thiết lập thủ công. Tìm hiểu thêm về Ultralytics Platform và cách nó có thể tăng tốc các dự án computer vision của bạn.
Lợi ích của việc sử dụng Mosaic Augmentation trong huấn luyện với tập dữ liệu COCO8-Grayscale là gì?
Mosaic augmentation, như được sử dụng trong huấn luyện COCO8-Grayscale, kết hợp nhiều hình ảnh thành một trong mỗi batch. Điều này làm tăng sự đa dạng của các đối tượng và nền, giúp mô hình YOLO của bạn tổng quát hóa tốt hơn với các tình huống mới. Mosaic augmentation đặc biệt có giá trị đối với các tập dữ liệu nhỏ, vì nó tối đa hóa thông tin khả dụng trong mỗi bước huấn luyện. Để biết thêm về điều này, hãy xem hướng dẫn huấn luyện.
Làm thế nào để tôi có thể kiểm chứng mô hình YOLO26 đã được huấn luyện trên tập dữ liệu COCO8-Grayscale?
Để kiểm chứng mô hình YOLO26 của bạn sau khi huấn luyện trên COCO8-Grayscale, hãy sử dụng các lệnh kiểm chứng của mô hình trong Python hoặc CLI. Việc này sẽ đánh giá hiệu suất mô hình của bạn bằng cách sử dụng các chỉ số tiêu chuẩn. Để có hướng dẫn từng bước, hãy truy cập tài liệu Kiểm chứng YOLO.