COCO8-Grayscale 数据集
介绍
Ultralytics COCO8-Grayscale 数据集是一个小巧但功能强大的目标检测数据集。它包含 COCO 2017 训练集中的前 8 张图像，并已转换为灰度格式——其中 4 张用于训练，4 张用于验证。该数据集专为快速测试、调试和实验 YOLO 灰度模型及训练流水线而设计。其小巧的规模使其易于管理，同时其多样性确保了在扩展到更大规模数据集之前，它能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。
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.
要以灰度模式训练你的 RGB 图像，只需在数据集 YAML 文件中添加 channels: 1。这会在训练过程中将所有图像转换为灰度，让你无需额外的数据集即可利用灰度图像的优势。
# 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使用方法
要在 COCO8-Grayscale 数据集上训练 YOLO26n 模型，并运行 100 个 epoch（图像尺寸为 640），请参考以下示例。有关训练选项的完整列表，请参阅 YOLO 训练文档。
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)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：
- 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、长宽比和背景中。
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。
引文与致谢
如果你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 Consortium 对计算机视觉社区的持续贡献。
常见问题 (FAQ)
Ultralytics COCO8-Grayscale 数据集有什么用途？
Ultralytics COCO8-Grayscale 数据集旨在用于目标检测模型的快速测试和调试。它仅包含 8 张图像（4 张用于训练，4 张用于验证），非常适合验证你的 YOLO 训练流水线，并确保在扩展到更大数据集之前一切工作正常。浏览 COCO8-Grayscale YAML 配置了解更多详情。
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：
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。
为什么我应该使用 Ultralytics Platform 来管理我的 COCO8-Grayscale 训练？
Ultralytics Platform 简化了包括 COCO8-Grayscale 在内的 YOLO 模型的数据集管理、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 让你可以一键启动实验，并免除手动设置的麻烦。了解更多关于 Ultralytics Platform 以及它如何加速你的计算机视觉项目。
在 COCO8-Grayscale 数据集训练中使用马赛克增强有什么好处？
如 COCO8-Grayscale 训练中所使用的，马赛克增强在每个批次中将多张图像合并为一张。这增加了物体和背景的多样性，帮助你的 YOLO 模型更好地泛化到新场景。马赛克增强对于小型数据集特别有价值，因为它最大化了每个训练步骤中可用的信息。更多相关信息，请参阅训练指南。
如何验证我在 COCO8-Grayscale 数据集上训练的 YOLO26 模型？
要在 COCO8-Grayscale 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。