Ultralytics YOLO27：
CC BY 4.0

COCO8-Grayscale 数据集#

简介#

Ultralytics COCO8-Grayscale 数据集是一个小巧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——其中 4 张用于训练，4 张用于验证。该数据集专为快速测试、调试以及对 YOLO 灰度模型和训练流程进行实验而设计。它的规模较小，易于管理；同时，其多样性使其能够在扩展到更大数据集之前，作为有效的合理性检查。



Watch: How to Train Ultralytics YOLO on Grayscale and Multispectral Datasets | Multi-Channel VisionAI 🚀

数据集结构#

COCO8-Grayscale 与 COCO8 保持一致：均取自 COCO train 2017 数据集中的前 8 张图像，其中 4 张用于训练，4 张用于验证，涵盖全部 80 个 COCO 目标类别；但每张图像都以单通道（channels: 1）灰度图像的形式存储，并采用 YOLO 标签格式：

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

探索 Ultralytics 平台上的 COCO8-Grayscale，浏览每张图像及其标注叠加层，在 Charts 选项卡中查看类别分布和边界框热力图，还可以克隆该数据集，在云端训练你自己的模型。

数据集 YAML#

COCO8-Grayscale 数据集的配置定义在 YAML 文件中，其中指定了数据集路径、类别名称及其他必要的元数据。你可以在 Ultralytics GitHub 仓库中查看官方的 coco8-grayscale.yaml 文件。

注意

如果要使用灰度训练 RGB 图像，只需将 channels: 1 添加到数据集 YAML 文件中即可。这会在训练期间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

使用方法#

COCO8-Grayscale 数据集（1 MB）会在你首次开始训练时自动下载。要使用图像尺寸 640 在 COCO8-Grayscale 上训练 YOLO26n 模型 100 个轮次，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

# 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)

示例图像和标注#

下面是 COCO8-Grayscale 数据集的一个马赛克训练批次示例：

COCO8 grayscale dataset mosaic training batch
  • 拼接图像：此图像展示了一个训练批次，其中多张数据集图像通过马赛克增强进行组合。马赛克增强增加了每个批次中目标和场景的多样性，帮助模型更好地适应不同的目标尺寸、宽高比和背景。

这项技术对于 COCO8-Grayscale 这类小型数据集尤其有用，因为它能在训练期间最大限度地发挥每张图像的价值。

引用和致谢#

如果你在研究或开发中使用 COCO 数据集，请引用以下论文：

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 持续为计算机视觉社区作出的贡献。

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。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数据集之前，验证你的 YOLO 训练流程并确保一切按预期运行。查看 COCO8-Grayscale YAML 配置以了解更多详情。

  • 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

# 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)

    如需其他训练选项，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组合成一张图像。这会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。马赛克增强对于小型数据集尤其有价值，因为它能最大限度地利用每个训练步骤中的可用信息。如需详细了解，请参阅训练指南。

  • 要验证在 COCO8-Grayscale 上训练完成的 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模型性能。如需分步说明，请访问 YOLO 验证文档。

贡献者
GLglenn-jocher6RAraimbekovm4PDpderrenger1RIRizwanMunawar1LALaughing-q1

评论