Bộ dữ liệu COCO8-Multispectral
Giới thiệu
Bộ dữ liệu Ultralytics COCO8-Multispectral là một biến thể nâng cao của bộ dữ liệu COCO8 gốc, được thiết kế để tạo điều kiện thuận lợi cho việc thử nghiệm với các mô hình detect đối tượng đa quang phổ. Nó bao gồm 8 hình ảnh tương tự từ tập COCO train 2017—4 cho huấn luyện và 4 cho xác thực—nhưng mỗi hình ảnh được chuyển đổi thành định dạng đa quang 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 mô hình có thể tận dụng thông tin quang phổ phong phú hơn.
COCO8-Multispectral hoàn toàn tương thích với Nền tảng Ultralytics và YOLO26, đảm bảo tích hợp liền mạch vào các quy trình thị giác máy tính của bạn.
Xem: Cách huấn luyện Ultralytics YOLO26 trên các bộ dữ liệu đa phổ | VisionAI đa kênh 🚀
Tạo lập bộ dữ liệu
Các hình ảnh đa quang phổ trong COCO8-Multispectral được tạo ra bằng cách nội suy các hình ảnh RGB gốc trên 10 kênh quang phổ cách đều nhau trong phổ nhìn thấy. Quá trình này bao gồm:
- Gán bước sóng: Gán bước sóng danh nghĩa cho các kênh RGB — Đỏ: 650 nm, Lục: 510 nm, Lam: 475 nm.
- Nội suy: Sử dụng nội suy tuyến tính để ước tính các giá trị pixel ở các bước sóng trung gian từ 450 nm đến 700 nm, tạo ra 10 kênh quang phổ.
- Ngoại suy: Áp dụng ngoại suy với SciPy's
interp1dchức năng để ước tính các giá trị vượt ra ngoài bước sóng RGB ban đầu, đảm bảo biểu diễn quang phổ đầy đủ.
Cách tiếp cận này mô phỏng quy trình chụp ảnh đa phổ, cung cấp một tập dữ liệu đa dạng hơn để huấn luyện và đánh giá mô hình. Để tìm hiểu thêm về chụp ảnh đa phổ, hãy xem bài viết về Chụp ảnh đa phổ trên Wikipedia.
YAML bộ dữ liệu
Bộ dữ liệu COCO8-Multispectral được cấu hình bằng một tệp yaml, tệp này định nghĩa các đường dẫn bộ dữ liệu, tên lớp và siêu dữ liệu cần thiết. Bạn có thể xem xét tệp chính thức coco8-multispectral.yaml tệp trong kho lưu trữ Ultralytics GitHub.
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
Lưu ý
Chuẩn bị hình ảnh TIFF của bạn trong (channel, height, width) thứ tự, được lưu với .tiff hoặc .tif phần mở rộng, và đảm bảo chúng được uint8 sử dụng với Ultralytics:
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
Cách sử dụng
Để huấn luyện mô hình YOLO26n trên tập dữ liệu COCO8-Multispectral trong 100 epoch với kích thước ảnh 640, hãy sử dụng các ví dụ sau. Để biết danh sách đầy đủ các tùy chọn huấn luyện, tham khảo tài liệu Huấn luyện YOLO.
Ví dụ huấn luyện
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)
# Train YOLO26n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo26n.pt epochs=100 imgsz=640
Để biết thêm chi tiết về lựa chọn mô hình và các phương pháp hay nhất, hãy khám phá tài liệu về mô hình Ultralytics YOLO và hướng dẫn Mẹo huấn luyện mô hình YOLO.
Ảnh và Chú thích mẫu
Dưới đây là một ví dụ về một batch huấn luyện được ghép từ bộ dữ liệu COCO8-Multispectral:
- 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 có giá trị đối với các bộ dữ liệu nhỏ như COCO8-Multispectral, vì nó tối đa hóa tiện ích của mỗi hình ảnh trong quá trình huấn luyện.
Trích dẫn và Lời cảm ơn
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 thị giác máy tính.
Câu hỏi thường gặp
Bộ dữ liệu Ultralytics COCO8-Multispectral được sử dụng để làm gì?
Tập dữ liệu Ultralytics COCO8-Multispectral được thiết kế để kiểm tra và gỡ lỗi nhanh chóng các mô hình phát hiện đối tượng đa phổ. Với chỉ 8 ảnh (4 cho huấn luyện, 4 cho xác thực), nó lý tưởng để xác minh các quy trình huấn luyện YOLO26 của bạn và đảm bảo mọi thứ hoạt động như mong đợi trước khi mở rộng sang các tập dữ liệu lớn hơn. Để có thêm các tập dữ liệu để thử nghiệm, hãy truy cập Danh mục Tập dữ liệu Ultralytics.
Dữ liệu đa phổ cải thiện khả năng phát hiện đối tượng như thế nào?
Dữ liệu đa phổ cung cấp thông tin phổ bổ sung ngoài RGB tiêu chuẩn, cho phép các mô hình phân biệt các đối tượng dựa trên sự khác biệt nhỏ về độ phản xạ trên các bước sóng. Điều này có thể nâng cao độ chính xác phát hiện, đặc biệt là trong các tình huống khó khăn. Tìm hiểu thêm về hình ảnh đa phổ và các ứng dụng của nó trong thị giác máy tính nâng cao.
COCO8-Multispectral có tương thích với Nền tảng Ultralytics và các mô hình YOLO không?
Có, COCO8-Multispectral hoàn toàn tương thích với Nền tảng Ultralytics và tất cả các mô hình YOLO, bao gồm YOLO26 mới nhất. Điều này cho phép bạn dễ dàng tích hợp tập dữ liệu vào quy trình huấn luyện và xác thực của mình.
Tôi 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 mô hình, hãy tham khảo Hướng dẫn Tăng cường Dữ liệu YOLO và Blog Ultralytics về Tăng cường Dữ liệu.
Tôi có thể sử dụng COCO8-Multispectral cho mục đích đánh giá hiệu năng hoặc giáo dục không?
Chắc chắn rồi! Kích thước nhỏ và tính chất đa quang phổ của COCO8-Multispectral làm cho nó lý tưởng để đánh giá hiệu năng, trình diễn giáo dục và tạo mẫu kiến trúc mô hình mới. Để biết thêm các bộ dữ liệu đánh giá hiệu năng, hãy xem Bộ sưu tập Bộ dữ liệu đánh giá hiệu năng của Ultralytics.
