Meet YOLO26: next-gen vision AI.

Link to this sectionCOCO8-Grayscale 数据集#

Link to this section简介#

Ultralytics COCO8-Grayscale 数据集是一个小巧但功能强大的目标检测数据集，它由 COCO train 2017 数据集中的前 8 张图像组成，并已转换为灰度格式——其中 4 张用于训练，4 张用于验证。该数据集专为针对 YOLO 灰度模型和训练流水线进行快速测试、调试和实验而设计。其小巧的体积使其非常易于管理，而其多样性确保了它在扩展到更大规模数据集之前，可作为一种有效的完整性检查手段。



Watch: How to Train Ultralytics YOLO26 on Grayscale Datasets 🚀

COCO8-Grayscale 与 Ultralytics Platform 和 YOLO26 完全兼容，能够无缝集成到你的计算机视觉工作流程中。

Link to this section数据集 YAML#

The COCO8-Grayscale dataset configuration is defined in a YAML (Yet Another Markup Language) file, which specifies dataset paths, class names, and other essential metadata. You can review the official coco8-grayscale.yaml file in the Ultralytics GitHub repository.

注意

若要在训练中使用 RGB 图像的灰度版本，你只需在数据集 YAML 文件中添加 channels: 1。这会在训练期间将所有图像转换为灰度，使你无需额外的数据集即可利用灰度优势。

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

Link to this section用法#

若要在 COCO8-Grayscale 数据集上以 640 的图像大小训练 YOLO26n 模型 100 个 epoch，请使用以下示例。有关训练选项的完整列表，请参阅 YOLO 训练文档。

训练示例
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)

Link to this section样本图像和标注#

以下是来自 COCO8-Grayscale 数据集的马赛克训练批次示例：

COCO8 grayscale dataset mosaic training batch
  • 马赛克图像：此图像展示了一个训练批次，其中通过马赛克增强将多个数据集图像组合在一起。马赛克增强增加了每个批次内对象和场景的多样性，有助于模型更好地泛化到各种对象尺寸、纵横比和背景。

这种技术对于像 COCO8-Grayscale 这样的小型数据集特别有用，因为它能在训练过程中最大化每张图像的价值。

Link to this section引用与致谢#

如果你在研究或开发中使用了 COCO 数据集，请引用以下论文：

引用
@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}
}

特别感谢 COCO Consortium 对计算机视觉社区持续做出的贡献。

Link to this section常见问题解答#

Link to this sectionUltralytics COCO8-Grayscale 数据集的用途是什么？#

Ultralytics COCO8-Grayscale 数据集专为快速测试和调试目标检测模型而设计。它仅包含 8 张图像（4 张用于训练，4 张用于验证），是验证你的 YOLO 训练流水线并在扩展到更大数据集之前确保一切按预期运行的理想选择。探索 COCO8-Grayscale YAML 配置以获取更多详细信息。

Link to this section如何使用 COCO8-Grayscale 数据集训练 YOLO26 模型？#

你可以使用 Python 或 CLI 在 COCO8-Grayscale 上训练 YOLO26 模型：

训练示例
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)

有关其他训练选项，请参考 YOLO 训练文档。

Link to this section为什么我应该使用 Ultralytics Platform 来管理我的 COCO8-Grayscale 训练？#

Ultralytics Platform 简化了 YOLO 模型（包括 COCO8-Grayscale）的数据集管理、训练和部署。凭借云端训练、实时监控和直观的数据集处理等功能，HUB 使你能够一键启动实验，并免除了手动设置的繁琐。了解更多关于 Ultralytics Platform 的信息，以及它如何加速你的计算机视觉项目。

Link to this section在 COCO8-Grayscale 数据集训练中使用马赛克增强有什么好处？#

如在 COCO8-Grayscale 训练中所使用的，马赛克增强会在每个批次中将多张图像合并为一张。这增加了目标和背景的多样性，有助于你的 YOLO 模型更好地泛化到新场景。马赛克增强对于小型数据集尤其有价值，因为它能最大化每个训练步骤中可用的信息量。有关此内容的更多信息，请参阅训练指南。

Link to this section如何验证我在 COCO8-Grayscale 数据集上训练的 YOLO26 模型？#

若要在 COCO8-Grayscale 上训练后验证你的 YOLO26 模型，请使用 Python 或 CLI 中的模型验证命令。这将使用标准指标评估你的模型性能。如需分步说明，请访问 YOLO 验证文档。

贡献者
GLglenn-jocher4RIRizwanMunawar1LALaughing-q1

评论