Conjunto de datos multiespectrales COCO8
Introducción
En Ultralytics COCO8-Multispectral es una variante avanzada del conjunto de datos COCO8 original, diseñada para facilitar la experimentación con modelos de detección de objetos multiespectrales. Consiste en las mismas 8 imágenes del conjunto COCO train 2017 -4 para el entrenamiento y 4 para la validación- pero con cada imagen transformada a un formato multiespectral de 10 canales. Al ir más allá de los canales RGB estándar, COCO8-Multiespectral permite el desarrollo y la evaluación de modelos que pueden aprovechar información espectral más rica.
COCO8-Multispectral es totalmente compatible con Ultralytics HUB y YOLO11garantizando una integración perfecta en sus flujos de trabajo de visión computerizada.
Generación de conjuntos de datos
Las imágenes multiespectrales de COCO8-Multispectral se crearon interpolando las imágenes RGB originales en 10 canales espectrales espaciados uniformemente dentro del espectro visible. El proceso incluye:
- Asignación de longitudes de onda: Asignación de longitudes de onda nominales a los canales RGB-Rojo: 650 nm, Verde: 510 nm, Azul: 475 nm.
- Interpolación: Utilización de la interpolación lineal para estimar los valores de los píxeles en longitudes de onda intermedias entre 450 nm y 700 nm, lo que da como resultado 10 canales espectrales.
- Extrapolación: Aplicación de la extrapolación con SciPy's
interp1dpara estimar valores más allá de las longitudes de onda RGB originales, lo que garantiza una representación espectral completa.
Este enfoque simula un proceso de obtención de imágenes multiespectrales, lo que proporciona un conjunto de datos más diverso para el entrenamiento y la evaluación de modelos. Para más información sobre las imágenes multiespectrales, véase el artículo de Wikipedia sobre imágenes multiespectrales.
Conjunto de datos YAML
El conjunto de datos COCO8-Multispectral se configura mediante un archivo YAML, que define las rutas del conjunto de datos, los nombres de las clases y los metadatos esenciales. Puede consultar el archivo oficial coco8-multispectral.yaml en el archivo Ultralytics Repositorio GitHub.
ultralytics.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: ../datasets/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
Nota
Prepare sus imágenes TIFF en (channel, height, width) y guardado con .tiff o .tif extensión para su uso con 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
Utilización
Para entrenar un modelo YOLO11n en el conjunto de datos COCO8-Multiespectral durante 100 épocas con un tamaño de imagen de 640, utilice los siguientes ejemplos. Para obtener una lista completa de las opciones de entrenamiento, consulte la documentación de entrenamiento deYOLO .
Ejemplo de tren
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
Para más detalles sobre la selección del modelo y las mejores prácticas, explore la documentación del modeloYOLO Ultralytics y la guía de consejos de formación del modeloYOLO .
Ejemplos de imágenes y anotaciones
A continuación se muestra un ejemplo de un lote de entrenamiento en mosaico del conjunto de datos COCO8-Multispectral:
- Imagen en mosaico: Esta imagen muestra un lote de entrenamiento en el que se combinan varias imágenes del conjunto de datos utilizando el aumento de mosaico. El aumento en mosaico aumenta la diversidad de objetos y escenas dentro de cada lote, lo que ayuda al modelo a generalizar mejor a distintos tamaños de objetos, relaciones de aspecto y fondos.
Esta técnica es especialmente valiosa para conjuntos de datos pequeños como COCO8-Multispectral, ya que maximiza la utilidad de cada imagen durante el entrenamiento.
Citas y agradecimientos
Si utiliza el conjunto de datos COCO en su investigación o desarrollo, cite el siguiente documento:
@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}
}
Un agradecimiento especial al Consorcio COCO por sus continuas contribuciones a la comunidad de visión por ordenador.
PREGUNTAS FRECUENTES
¿Para qué se utiliza el conjunto de datos multiespectrales COCO8 Ultralytics ?
El conjunto de datos COCO8-Multiespectral Ultralytics está diseñado para probar y depurar rápidamente modelos de detección de objetos multiespectrales. Con sólo 8 imágenes (4 para entrenamiento, 4 para validación), es ideal para verificar sus modelos de YOLO y asegurarse de que todo funciona como se espera antes de escalar a conjuntos de datos más grandes. Si desea experimentar con más conjuntos de datos, visite el catálogo de conjuntos de datos deUltralytics .
¿Cómo mejoran los datos multiespectrales la detección de objetos?
Los datos multiespectrales proporcionan información espectral adicional más allá del RGB estándar, lo que permite a los modelos distinguir objetos basándose en sutiles diferencias de reflectancia entre longitudes de onda. Esto puede mejorar la precisión de la detección, especialmente en situaciones difíciles. Más información sobre las imágenes multiespectrales y sus aplicaciones en visión por ordenador avanzada.
¿Es COCO8-Multispectral compatible con los modelos Ultralytics HUB y YOLO ?
Sí, COCO8-Multispectral es totalmente compatible con Ultralytics HUB y todos los modelosYOLO , incluido el último YOLO11. Esto le permite integrar fácilmente el conjunto de datos en sus flujos de trabajo de formación y validación.
¿Dónde puedo encontrar más información sobre técnicas de aumento de datos?
Para conocer mejor los métodos de aumento de datos como el mosaico y su impacto en el rendimiento del modelo, consulte la Guía de aumento de datosYOLO y el Blog deUltralytics sobre aumento de datos.
¿Puedo utilizar COCO8-Multispectral con fines educativos o de evaluación comparativa?
Por supuesto. El pequeño tamaño y la naturaleza multiespectral de COCO8-Multispectral lo hacen ideal para la evaluación comparativa, las demostraciones educativas y la creación de prototipos de nuevas arquitecturas de modelos. Para obtener más conjuntos de datos de evaluación comparativa, consulte la colección de conjuntos de datos de evaluación comparativa deUltralytics .