Link to this sectionTập dữ liệu COCO8-Multispectral#

Link to this sectionGiới thiệu#

Tập dữ liệu COCO8-Multispectral của Ultralytics là một biến thể nâng cao của tập dữ liệu COCO8 gốc, được thiết kế để tạo điều kiện thuận lợi cho việc thử nghiệm các model phát hiện vật thể đa phổ (multispectral). Nó bao gồm 8 hình ảnh tương tự từ tập train COCO 2017—4 cho huấn luyện và 4 cho kiểm chứng—nhưng mỗi hình ảnh đã được chuyển đổi thành định dạng đa phổ 10 kênh. Bằng cách mở rộng vượt ra ngoài các kênh RGB tiêu chuẩn, COCO8-Multispectral cho phép phát triển và đánh giá các model có khả năng tận dụng thông tin phổ phong phú hơn.

COCO8-Multispectral hoàn toàn tương thích với Ultralytics Platform và YOLO26, đảm bảo tích hợp liền mạch vào các quy trình làm việc computer vision của bạn.

Link to this sectionTạo Tập dữ liệu#

Các hình ảnh đa phổ trong COCO8-Multispectral được tạo ra bằng cách nội suy các hình ảnh RGB gốc qua 10 kênh phổ cách đều nhau trong phạm vi quang phổ khả kiến. Quy trình này bao gồm:

• Gán bước sóng: Gán các bước sóng danh định cho các kênh RGB—Đỏ: 650 nm, Xanh lá: 510 nm, Xanh dương: 475 nm.
• Nội suy: Sử dụng phép nội suy tuyến tính để ước tính giá trị pixel tại các bước sóng trung gian giữa 450 nm và 700 nm, tạo ra 10 kênh phổ.
• Ngoại suy: Áp dụng ngoại suy bằng hàm interp1d của SciPy để ước tính các giá trị nằm ngoài bước sóng RGB gốc, đảm bảo biểu diễn phổ hoàn chỉnh.

Phương pháp này mô phỏng quy trình chụp ảnh đa phổ, cung cấp tập dữ liệu đa dạng hơn cho việc huấn luyện và đánh giá model. Để đọc thêm về chụp ảnh đa phổ, hãy xem bài viết trên Wikipedia về Chụp ảnh đa phổ.

Link to this sectionYAML tập dữ liệu#

Tập dữ liệu COCO8-Multispectral được cấu hình bằng tệp YAML, xác định đường dẫn tập dữ liệu, tên lớp và siêu dữ liệu cần thiết. Bạn có thể xem tệp coco8-multispectral.yaml chính thức trong kho lưu trữ Ultralytics GitHub.

# 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

Link to this sectionCách sử dụng#

Để huấn luyện model YOLO26n trên tập dữ liệu COCO8-Multispectral 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 tham khảo tài liệu Huấn luyện YOLO.

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)

Để biết thêm chi tiết về lựa chọn model và các phương pháp thực hành tốt nhất, hãy khám phá tài liệu về model Ultralytics YOLO và hướng dẫn Mẹo Huấn luyện Model YOLO.

Link to this sectionHình ảnh mẫu và chú thích#

Dưới đây là ví dụ về một batch huấn luyện được ghép (mosaic) từ tập dữ liệu COCO8-Multispectral:

• Hình ảnh được ghép (Mosaiced Image): Hình ảnh này minh họa một batch huấn luyện nơi nhiều hình ảnh tập dữ liệu được kết hợp bằng kỹ thuật tăng cường dữ liệu mosaic. Tăng cường dữ liệu mosaic giúp tăng sự đa dạng của các vật thể và bối cảnh trong mỗi batch, hỗ trợ model tổng quát hóa tốt hơn với nhiều kích thước vật thể, tỷ lệ khung hình và bối cảnh khác nhau.

Kỹ thuật này đặc biệt có giá trị đối với các tập dữ liệu nhỏ như COCO8-Multispectral vì nó tối đa hóa hiệu quả sử dụng của mỗi hình ảnh trong quá trình huấn luyện.

Link to this sectionTrích 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}
}

Xin gửi lời cảm ơn đặc biệt đến COCO Consortium vì những đóng góp không ngừng của họ cho cộng đồng computer vision.

Link to this sectionCâu hỏi thường gặp#

Link to this sectionTập dữ liệu Ultralytics COCO8-Multispectral được dùng để làm gì?#

Tập dữ liệu Ultralytics COCO8-Multispectral được thiết kế để thử nghiệm và gỡ lỗi nhanh các model phát hiện vật thể đa phổ. Chỉ với 8 hình ảnh (4 cho huấn luyện, 4 cho kiểm chứng), nó lý tưởng để xác minh các quy trình huấn luyện YOLO26 của bạn và đảm bảo mọi thứ hoạt động như dự kiến trước khi mở rộng quy mô sang các tập dữ liệu lớn hơn. Để có thêm các tập dữ liệu thử nghiệm, hãy truy cập Danh mục Tập dữ liệu Ultralytics.

Link to this sectionDữ liệu đa phổ cải thiện khả năng phát hiện vật thể như thế nào?#

Dữ liệu đa phổ cung cấp thông tin phổ bổ sung vượt ra ngoài RGB tiêu chuẩn, cho phép các model phân biệt các vật thể dựa trên sự khác biệt tinh tế về độ phản xạ qua các bước sóng. Điều này có thể nâng cao độ chính xác khi phát hiện, đặc biệt là trong các tình huống khó khăn. Tìm hiểu thêm về chụp ảnh đa phổ và các ứng dụng của nó trong computer vision nâng cao.

Link to this sectionCOCO8-Multispectral có tương thích với Ultralytics Platform và các model YOLO không?#

Có, COCO8-Multispectral hoàn toàn tương thích với Ultralytics Platform và tất cả các model YOLO, bao gồm cả YOLO26 mới nhất. Điều này cho phép bạn dễ dàng tích hợp tập dữ liệu vào các quy trình huấn luyện và kiểm chứng của mình.

Link to this sectionTôi có thể tìm thêm thông tin về các kỹ thuật tăng cường dữ liệu ở đâu?#

Để hiểu sâu hơn về các phương pháp tăng cường dữ liệu như mosaic và tác động của chúng đến hiệu suất model, hãy tham khảo Hướng dẫn Tăng cường Dữ liệu YOLO và Blog Ultralytics về Tăng cường Dữ liệu.

Link to this sectionTôi có thể sử dụng COCO8-Multispectral để đo điểm chuẩn (benchmarking) hoặc phục vụ mục đích giáo dục không?#

Hoàn toàn có thể! Kích thước nhỏ và tính chất đa phổ của COCO8-Multispectral làm cho nó trở nên lý tưởng cho việc đo điểm chuẩn, minh họa giáo dục và tạo mẫu các kiến trúc model mới. Để biết thêm các tập dữ liệu đo điểm chuẩn, hãy xem Bộ sưu tập Tập dữ liệu Benchmark Ultralytics.