Tập dữ liệu COCO8-Multispectral#

8

COCO8 Multispectral

ultralytics

publicDetect

Eight-image multispectral COCO sample for object detection with four train and four validation images, 30 bounding boxes, 80 COCO classes, and genuine 10-channel uint8 TIFF imagery. Derived from COCO imagery and packaged by Ultralytics for multispectral pipeline validation.

80 classes20.3 MBAug 24, 2026

personbicyclecarmotorcycle+76

Giới thiệu#

Bộ dữ liệu Ultralytics COCO8-Multispectral là một biến thể nâng cao của bộ dữ liệu COCO8 gốc, được thiết kế để hỗ trợ thử nghiệm với các model phát hiện đối tượng đa phổ (multispectral object detection). Nó bao gồm 8 ảnh tương tự từ tập train COCO 2017—4 ảnh để huấn luyện và 4 ảnh để validation—nhưng mỗi ảnh 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 thể tận dụng thông tin phổ phong phú hơn.

COCO8-Multispectral tương thích hoàn toàn với Ultralytics Platform và YOLO26, đảm bảo tích hợp mượt mà vào các workflow computer vision của bạn.

Cấu trúc tập dữ liệu#

COCO8-Multispectral chia sẻ 8 ảnh giống như COCO8—4 cho train và 4 cho validation trên tất cả 80 lớp đối tượng COCO—nhưng mỗi ảnh được lưu dưới dạng .tiff đa phổ 10 kênh theo YOLO label format:

coco8-multispectral/
├── images/
│   ├── train/   # 4 images (10-channel .tiff)
│   └── val/     # 4 images (10-channel .tiff)
└── labels/
    ├── train/
    └── val/

Tạo 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 (Extrapolation): Áp dụng phương pháp ngoại suy tuyến tính để ước tính các giá trị nằm ngoài dải bước sóng RGB gốc, đảm bảo sự biểu diễn quang phổ đầy đủ.

Phương pháp này mô phỏng quá trình tạo ảnh đa phổ, cung cấp tập dữ liệu đa dạng hơn cho việc huấn luyện và đánh giá model. Để đọc thêm về tạo ảnh đa phổ, hãy xem Multispectral Imaging Wikipedia article.

YAML tập dữ liệu#

Bộ dữ liệu COCO8-Multispectral được cấu hình bằng một file YAML, định nghĩa các đường dẫn dataset, tên class và metadata thiết yếu. Bạn có thể xem lại file coco8-multispectral.yaml chính thức trong Ultralytics GitHub repository.

# 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

Cách sử dụng#

Bộ dữ liệu COCO8-Multispectral (20.2 MB) sẽ tự động tải xuống trong lần đầu tiên bạn bắt đầu huấn luyện. Để huấn luyện một model YOLO26n trên COCO8-Multispectral trong 100 epochs với kích thước ảnh là 640, hãy sử dụng các ví dụ sau. Để có danh sách toàn diện các tùy chọn huấn luyện, hãy tham khảo YOLO Training documentation.

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 best practice, hãy khám phá Ultralytics YOLO model documentation và YOLO Model Training Tips guide.

Hình ảnh mẫu và chú thích#

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

• Mosaiced Image: Ảnh này minh họa một batch huấn luyện trong đó nhiều ảnh dataset được kết hợp bằng mosaic augmentation. Mosaic augmentation làm tăng tính 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 nền 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.

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 nghỉ của họ cho computer vision community.

Câu hỏi thường gặp#