Ultralytics YOLO27：
Get Started
CC BY 4.0

COCO8-Grayscale 数据集#

简介#

Ultralytics COCO8-Grayscale 数据集小巧却功能强大，是一个目标检测数据集，由 COCO 2017 训练集中的前 8 张图像转换为灰度格式后组成——其中 4 张用于训练，4 张用于验证。该数据集专为使用 YOLO 灰度模型和训练流程进行快速测试、调试和实验而设计。它的规模小巧，易于管理；同时，其多样性确保它能在扩展到更大数据集之前发挥有效的初步检查作用。



观看： 如何使用灰度和多光谱数据集训练 Ultralytics YOLO | 多通道 VisionAI 🚀

数据集结构#

COCO8-Grayscale 与 COCO8 一致，包含 COCO train 2017 集的前 8 张图像，其中 4 张用于训练，4 张用于验证，并使用 80 个 COCO 类别名称进行标注；但每张图像都以单通道 (channels: 1) 灰度图像的形式存储，采用 YOLO 标注格式：

coco8-grayscale/
├── images/
│   ├── train/   # 4 images
│   └── val/     # 4 images
└── labels/
    ├── train/
    └── val/

在 Ultralytics Platform 上探索 COCO8-Grayscale，浏览带有标注叠加层的每张图像，在 Charts 选项卡中查看类别分布和边界框热力图，并克隆数据集以在云端训练自己的模型。

数据集 YAML#

COCO8-Grayscale 数据集配置在 YAML 文件中定义，其中指定了数据集路径、类别名称和其他重要元数据。你可以在 Ultralytics GitHub 仓库中查看官方的 coco8-grayscale.yaml 文件。

注意

要将 RGB 图像以灰度形式训练，只需将 channels: 1 添加到数据集 YAML 文件中即可。这样训练期间会将所有图像转换为灰度图像，让你无需单独的数据集即可利用灰度图像的优势。

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#

COCO8-Grayscale 数据集（1 MB）会在你首次开始训练时自动下载。要在 COCO8-Grayscale 上训练 YOLO26n 模型 100 个轮次，并将图像尺寸设为 640，请使用以下示例。如需查看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

# 加载预训练的 YOLO26n 模型
model = YOLO("yolo26n.pt")

# 在 COCO8-Grayscale 上训练模型
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

示例图像和标注#

以下是 COCO8-Grayscale 数据集中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，其中的多张数据集图像通过马赛克增强合并在一起。马赛克增强可增加每个批次中目标和场景的多样性，帮助模型更好地泛化到各种目标尺寸、长宽比和背景。

这项技术对 COCO8-Grayscale 这类小型数据集尤其有用，因为它能在训练期间充分利用每张图像。

引用与致谢#

如果你在研究或开发工作中使用 COCO 数据集，请引用以下论文：

引用格式
@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 持续为计算机视觉社区作出贡献。

常见问题#

  • Ultralytics COCO8-Grayscale 数据集专为快速测试和调试目标检测模型而设计。该数据集只有 8 张图像（4 张用于训练，4 张用于验证），非常适合用于验证你的 YOLO 训练流程，并确保在扩展到更大的数据集之前一切正常。查看 COCO8-Grayscale YAML 配置了解更多详情。

  • 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

# 加载预训练的 YOLO26n 模型
model = YOLO("yolo26n.pt")

# 在 COCO8-Grayscale 上训练模型
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)

    如需了解其他训练选项，请参阅 YOLO 训练文档。

  • COCO8-Grayscale 训练中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。这能增加目标和背景的多样性，帮助你的 YOLO 模型更好地泛化到新的场景。马赛克增强对小型数据集尤其有价值，因为它能充分利用每个训练步骤中的信息。如需了解更多信息，请参阅训练指南。

  • 在 COCO8-Grayscale 上训练完成后，你可以通过 Python 或 CLI 使用模型的验证命令来验证 YOLO26 模型。该操作会使用标准指标评估模型性能。分步说明请参阅 YOLO 验证文档。

贡献者
GLglenn-jocher7RAraimbekovm4PDpderrenger1RIRizwanMunawar1LALaughing-q1

评论