COCO8-多光谱数据集
简介
Ultralytics COCO8-Multispectral 数据集是原始 COCO8 数据集的高级变体，旨在促进多光谱目标检测模型的实验。它由 COCO train 2017 数据集中相同的 8 张图像组成——4 张用于训练，4 张用于验证——但每张图像都转换为 10 通道多光谱格式。通过扩展到标准 RGB 通道之外，COCO8-Multispectral 能够开发和评估可以利用更丰富的光谱信息的模型。
COCO8-多光谱与 Ultralytics HUB 和 YOLO11 完全兼容，确保无缝集成到您的计算机视觉工作流程中。
观看： 如何在多光谱数据集上训练 Ultralytics YOLO11 | Multi-Channel VisionAI 🚀
数据集生成
COCO8-Multispectral 中的多光谱图像是通过在可见光谱内 10 个均匀间隔的光谱通道上插值原始 RGB 图像而创建的。该过程包括：
- 波长分配：将标称波长分配给 RGB 通道 - 红色：650 nm，绿色：510 nm，蓝色：475 nm。
- 插值：使用线性插值来估计 450 nm 和 700 nm 之间中间波长的像素值，从而产生 10 个光谱通道。
- 外推法: 使用 SciPy 的推断法
interp1d该函数用于估计超出原始 RGB 波长的值，从而确保完整的光谱表示。
这种方法模拟了一种多光谱成像过程，为模型训练和评估提供了更多样化的数据集。有关多光谱成像的更多信息，请参阅 多光谱成像 Wikipedia 文章。
数据集 YAML
COCO8-Multispectral 数据集使用 YAML 文件进行配置，该文件定义数据集路径、类名和基本元数据。您可以查看官方 coco8-multispectral.yaml 文件在 Ultralytics GitHub 仓库.
ultralytics/cfg/datasets/coco8-multispectral.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Multispectral dataset (COCO8 images interpolated across 10 channels in the visual spectrum) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-multispectral/
# Example usage: yolo train data=coco8-multispectral.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-multispectral ← downloads here (20.2 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-multispectral # 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)
# Number of multispectral image channels
channels: 10
# 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-multispectral.zip
注意
准备您的 TIFF 图像，采用 (channel, height, width) 顺序并保存于 .tiff 或 .tif 扩展名，用于 Ultralytics：
import cv2
import numpy as np
# Create and write 10-channel TIFF
image = np.ones((10, 640, 640), dtype=np.uint8) # CHW-order
cv2.imwritemulti("example.tiff", image)
# Read TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape) # (640, 640, 10) HWC-order for training and inference
用法
要在 COCO8-Multispectral 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-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo11n.pt epochs=100 imgsz=640
有关模型选择和最佳实践的更多详细信息，请浏览 Ultralytics YOLO 模型文档 和 YOLO 模型训练技巧指南。
Sample Images 和注释
以下是来自 COCO8-Multispectral 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-Multispectral 这样的小型数据集尤其有价值，因为它最大限度地提高了每张图像的效用。
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}
}
常见问题
Ultralytics COCO8-Multispectral 数据集用于什么？
Ultralytics COCO8-Multispectral 数据集专为快速测试和调试 多光谱目标检测 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。如需更多数据集进行实验，请访问 Ultralytics 数据集目录。
多光谱数据如何提高目标检测的性能？
多光谱数据提供了标准 RGB 之外的额外光谱信息，使模型能够根据波长反射率的细微差异来区分对象。这可以提高检测精度，尤其是在具有挑战性的场景中。了解更多关于多光谱成像及其在高级计算机视觉中的应用。
COCO8-Multispectral 是否与 Ultralytics HUB 和 YOLO 模型兼容？
是的，COCO8-Multispectral 完全兼容 Ultralytics HUB 和所有 YOLO 模型，包括最新的 YOLO11。这使您可以轻松地将数据集集成到您的训练和验证工作流程中。
在哪里可以找到更多关于数据增强技术的信息？
为了更深入地了解诸如 mosaic 之类的数据增强方法及其对模型性能的影响，请参阅YOLO 数据增强指南和Ultralytics 博客上关于数据增强的文章。
我可以使用 COCO8-Multispectral 进行基准测试或教育目的吗？
当然！COCO8-Multispectral 的小尺寸和多光谱特性使其成为基准测试、教育演示和新模型架构原型设计的理想选择。有关更多基准测试数据集，请参阅Ultralytics 基准数据集集合。
