COCO8 -Bộ dữ liệu thang độ xám
Giới thiệu
Ultralytics COCO8 - Bộ dữ liệu thang độ xám là bộ dữ liệu phát hiện đối tượng nhỏ gọn nhưng mạnh mẽ, bao gồm 8 hình ảnh đầu tiên từ COCO Bộ dữ liệu train 2017 được chuyển đổi sang định dạng thang độ xám—4 để huấn luyện và 4 để xác thực. Bộ dữ liệu này được thiết kế đặc biệt để kiểm tra, gỡ lỗi và thử nghiệm nhanh chóng với các mô hình thang độ xám YOLO và các quy trình huấn luyện. Kích thước nhỏ gọn giúp dễ dàng quản lý, đồng thời tính đa dạng đảm bảo nó hoạt động như một công cụ kiểm tra tính hợp lý hiệu quả trước khi mở rộng lên các bộ dữ liệu lớn hơn.
Xem: Cách Huấn Luyện Ultralytics YOLO11 trên Bộ Dữ Liệu Grayscale 🚀
COCO8 -Grayscale hoàn toàn tương thích với Ultralytics HUB và YOLO11 , cho phép tích hợp liền mạch vào quy trình làm việc về thị giác máy tính của bạn.
YAML bộ dữ liệu
Các COCO8 - Cấu hình tập dữ liệu thang độ xám được định nghĩa trong tệp YAML (Ngôn ngữ đánh dấu khác), trong đó chỉ định đường dẫn tập dữ liệu, tên lớp và các siêu dữ liệu thiết yếu khác. Bạn có thể xem lại tài liệu chính thức coco8-grayscale.yaml tệp trong kho lưu trữ Ultralytics GitHub.
Lưu ý
Để huấn luyện ảnh RGB của bạn ở thang màu xám, bạn có thể chỉ cần thêm channels: 1 vào tập tin YAML của bộ dữ liệu của bạn. Điều này chuyển đổi tất cả ảnh sang thang màu xám trong quá trình huấn luyện, cho phép bạn sử dụng các lợi ích của thang màu xám mà không cần một bộ dữ liệu riêng biệt.
ultralytics /cfg/datasets/coco8-grayscale. yaml
# 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.zip
Cách sử dụng
Để đào tạo một mô hình YOLO11n trên COCO8 - Tập dữ liệu thang độ xám cho 100 kỷ nguyên với kích thước ảnh là 640, hãy sử dụng các ví dụ sau. Để biết danh sách đầy đủ các tùy chọn đào tạo, hãy xem tài liệu Đào tạo YOLO .
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Ảnh và Chú thích mẫu
Dưới đây là một ví dụ về một lô đào tạo được ghép từ COCO8 - Bộ dữ liệu thang độ xám:
- Hình ảnh ghép: Hình ảnh này minh họa một lô huấn luyện trong đó nhiều hình ảnh tập dữ liệu được kết hợp bằng cách sử dụng tăng cường mosaic. Tăng cường mosaic làm tăng tính đa dạng của các đối tượng và cảnh trong mỗi lô, giúp mô hình khái quát hóa tốt hơn cho các kích thước, tỷ lệ khung hình và hình nền khác nhau của đối tượng.
Kỹ thuật này đặc biệt hữu ích cho các tập dữ liệu nhỏ như COCO8 - Chế độ xám, vì nó tối đa hóa giá trị của mỗi hình ảnh trong quá trình đào tạo.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng COCO tập dữ liệu trong nghiên cứu hoặc phát triển của bạn, 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}
}
Xin chân thành cảm ơn COCO Consortium vì những đóng góp liên tục của họ cho cộng đồng thị giác máy tính .
Câu hỏi thường gặp
Cái gì là Ultralytics COCO8 -Bộ dữ liệu thang độ xám được sử dụng cho mục đích gì?
Các Ultralytics COCO8 Bộ dữ liệu Grayscale được thiết kế để kiểm tra và gỡ lỗi nhanh chóng các mô hình phát hiện đối tượng . Chỉ với 8 ảnh (4 để huấn luyện, 4 để xác thực), bộ dữ liệu này lý tưởng để kiểm tra quy trình huấn luyện YOLO của bạn và đảm bảo mọi thứ hoạt động như mong đợi trước khi mở rộng sang các bộ dữ liệu lớn hơn. Khám phá cấu hình YAML COCO8 -Grayscale để biết thêm chi tiết.
Làm thế nào để tôi đào tạo một YOLO11 Mô hình sử dụng COCO8 -Bộ dữ liệu thang độ xám?
Bạn có thể đào tạo một YOLO11 mô hình trên COCO8 -Thang độ xám sử dụng một trong hai Python hoặc CLI :
Ví dụ huấn luyện
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Để biết thêm các tùy chọn huấn luyện, hãy tham khảo tài liệu Huấn luyện YOLO.
Tại sao tôi nên sử dụng Ultralytics HUB để quản lý của tôi COCO8 -Đào tạo thang độ xám?
Ultralytics HUB sắp xếp hợp lý việc quản lý, huấn luyện và triển khai tập dữ liệu cho các mô hình YOLO—bao gồm 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 bằng một cú nhấp chuột và loại bỏ những rắc rối khi thiết lập thủ công. Tìm hiểu thêm về Ultralytics HUB và cách nó có thể tăng tốc các dự án computer vision của bạn.
Những lợi ích của việc sử dụng Mosaic Augmentation trong đào tạo với COCO8 -Bộ dữ liệu thang độ xám?
Tăng cường khảm, như được sử dụng trong COCO8 - Huấn luyện thang độ xám, kết hợp nhiều ảnh thành một trong mỗi đợt huấn luyện. Điều này làm tăng tính đa dạng của các đối tượng và nền, giúp mô hình YOLO của bạn tổng quát hóa tốt hơn với các tình huống mới. Tăng cường khảm đặc biệt hữu ích cho các tập dữ liệu nhỏ, vì nó tối đa hóa thông tin có sẵn trong mỗi bước huấn luyện. Để biết thêm về tính năng này, hãy xem hướng dẫn huấn luyện .
Làm thế nào tôi có thể xác thực của tôi YOLO11 Mô hình được đào tạo trên COCO8 -Bộ dữ liệu thang độ xám?
Để xác thực của bạn YOLO11 mô hình sau khi đào tạo trên COCO8 -Grayscale, sử dụng các lệnh xác thực của mô hình trong cả hai Python hoặc CLI . Thao tác này đánh giá hiệu suất mô hình của bạn bằng các số liệu tiêu chuẩn. Để biết hướng dẫn từng bước, hãy truy cập tài liệu Xác thực YOLO .
