跳转至内容

COCO8-灰度数据集

简介

Ultralytics COCO8-Grayscale 数据集是一个紧凑而强大的目标检测数据集，由 COCO train 2017 数据集中的前 8 张图像组成，并转换为灰度格式——4 张用于训练，4 张用于验证。该数据集专门设计用于使用 YOLO 灰度模型和训练管道进行快速测试、调试和实验。它体积小巧，易于管理，同时其多样性确保了在扩展到更大的数据集之前，它可以作为有效的完整性检查。



观看： 如何在灰度数据集上训练 Ultralytics YOLO11 🚀

COCO8-灰度数据集与 Ultralytics HUB 和 YOLO11 完全兼容，能够无缝集成到您的计算机视觉工作流程中。

数据集 YAML

COCO8-Grayscale 数据集配置在 YAML（Yet Another Markup Language）文件中定义，该文件指定数据集路径、类名和其他基本元数据。您可以查看官方 coco8-grayscale.yaml 文件在 Ultralytics GitHub 仓库.

注意

要在灰度图中训练你的 RGB 图像，你可以简单地添加 channels: 1 到您的数据集 YAML 文件。这会在训练期间将所有图像转换为灰度，使您无需单独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

用法

要在 COCO8-Grayscale 数据集上训练 YOLO11n 模型 100 个 epochs，图像大小为 640，请使用以下示例。有关完整的训练选项列表，请参阅 YOLO 训练文档。

训练示例

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

Sample Images 和注释

以下是来自 COCO8-Grayscale 数据集的马赛克训练批次示例：

数据集样本图像

  • 马赛克图像: 此图像展示了一个训练批次，其中多个数据集图像使用 mosaic 数据增强进行组合。Mosaic 数据增强增加了每个批次中对象和场景的多样性，帮助模型更好地泛化到各种对象大小、宽高比和背景。

此技术对于像 COCO8-Grayscale 这样的小型数据集尤其有用，因为它最大限度地提高了每张图像在训练过程中的价值。

引用和致谢

如果您在研究或开发中使用 COCO 数据集，请引用以下论文：

@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 联盟 对 计算机视觉 社区的持续贡献。

常见问题

Ultralytics COCO8-Grayscale 数据集用于什么？

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），非常适合在扩展到更大的数据集之前，验证您的 YOLO 训练流程并确保一切按预期工作。请查阅 COCO8-Grayscale YAML 配置文件 以了解更多详情。

如何使用 COCO8-Grayscale 数据集训练 YOLO11 模型？

您可以使用 Python 或 CLI 在 COCO8-Grayscale 上训练 YOLO11 模型：

训练示例

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

有关其他训练选项，请参阅YOLO 训练文档。

为什么我应该使用 Ultralytics HUB 来管理我的 COCO8-Grayscale 训练？

Ultralytics HUB 简化了 YOLO 模型（包括 COCO8-灰度图）的数据集管理、训练和部署。借助于云端训练、实时监控和直观的数据集处理等功能，HUB 使您能够一键启动实验，并消除了手动设置的麻烦。详细了解 Ultralytics HUB 以及它如何加速您的计算机视觉项目。

在 COCO8-Grayscale 数据集的训练中使用 Mosaic 数据增强有什么好处？

Mosaic 增强，如 COCO8-Grayscale 训练中所用，在每个批次中将多个图像合并为一个。这增加了对象和背景的多样性，帮助您的 YOLO 模型更好地泛化到新的场景。Mosaic 增强对于小型数据集尤其有价值，因为它最大限度地利用了每个训练步骤中的可用信息。有关更多信息，请参见训练指南。

如何验证在 COCO8-Grayscale 数据集上训练的 YOLO11 模型？

要在 COCO8-Grayscale 上训练后验证你的 YOLO11 模型，请在 python 或 CLI 中使用该模型的验证命令。这将使用标准指标评估你的模型性能。有关分步说明，请访问 YOLO 验证文档。



📅 3个月前创建 ✏️ 1个月前更新
RizwanMunawar Laughing-q

评论