COCO8-Graustufen-Datensatz
Einführung
Die Ultralytics COCO8-Graustufendatensatz ist ein kompakter und dennoch leistungsstarker Objektdetektionsdatensatz, der aus den ersten 8 Bildern des COCO-Trainingsdatensatzes 2017 besteht und in ein Graustufenformat konvertiert wurde - 4 für das Training und 4 für die Validierung. Dieser Datensatz wurde speziell für das schnelle Testen, Debuggen und Experimentieren mit YOLO Graustufenmodellen und Trainingspipelines. Durch seine geringe Größe ist er sehr handlich, während seine Vielfalt sicherstellt, dass er vor der Skalierung auf größere Datensätze als effektiver Sanity Check dient.
COCO8-Grauskala ist vollständig kompatibel mit Ultralytics HUB und YOLO11und ermöglicht eine nahtlose Integration in Ihre Computer Vision Workflows.
Datensatz YAML
Die Konfiguration des COCO8-Graustufen-Datensatzes ist in einer YAML (Yet Another Markup Language)-Datei definiert, in der Datensatzpfade, Klassennamen und andere wichtige Metadaten angegeben sind. Sie können sich die offizielle coco8-grayscale.yaml Datei in der Ultralytics GitHub-Repository.
Hinweis
Um Ihre RGB-Bilder in Graustufen zu trainieren, können Sie einfach Folgendes hinzufügen channels: 1 zu Ihrer YAML-Datei für den Datensatz hinzu. Dadurch werden alle Bilder während des Trainings in Graustufen umgewandelt, so dass Sie die Vorteile von Graustufen nutzen können, ohne einen separaten Datensatz zu benötigen.
ultralytics.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: ../datasets/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
Verwendung
Um ein YOLO11n-Modell auf dem COCO8-Graustufen-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Beispiele. Eine vollständige Liste der Trainingsoptionen finden Sie in der YOLO .
Beispiel für einen Zug
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Grayscale using the command line
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Beispielbilder und -kommentare
Nachfolgend sehen Sie ein Beispiel für einen mosaikartigen Trainingsstapel aus dem COCO8-Graustufen-Datensatz:
- Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, bei dem mehrere Bilder des Datensatzes durch Mosaikvergrößerung kombiniert wurden. Die Mosaikvergrößerung erhöht die Vielfalt der Objekte und Szenen in jedem Stapel und hilft dem Modell, sich besser an verschiedene Objektgrößen, Seitenverhältnisse und Hintergründe anzupassen.
Diese Technik ist besonders nützlich für kleine Datensätze wie COCO8-Graustufen, da sie den Wert jedes Bildes beim Training maximiert.
Zitate und Danksagungen
Wenn Sie den COCO-Datensatz in Ihrer Forschung oder Entwicklung verwenden, zitieren Sie bitte das folgende Papier:
@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}
}
Besonderer Dank geht an das COCO-Konsortium für seine kontinuierlichen Beiträge zur Computer Vision Community.
FAQ
Wofür wird der Ultralytics COCO8-Graustufen-Datensatz verwendet?
Der Ultralytics COCO8-Graustufen-Datensatz wurde für das schnelle Testen und Debuggen von Objekterkennungsmodellen entwickelt. Mit nur 8 Bildern (4 für das Training, 4 für die Validierung) ist er ideal für die Überprüfung Ihrer YOLO Trainingspipelines zu überprüfen und sicherzustellen, dass alles wie erwartet funktioniert, bevor Sie auf größere Datensätze skalieren. Weitere Details finden Sie in der COCO8-Grayscale YAML-Konfiguration.
Wie trainiere ich ein YOLO11 mit dem COCO8-Graustufen-Datensatz?
Sie können ein YOLO11 auf COCO8-Graustufen entweder mit Python oder der CLI trainieren:
Beispiel für einen Zug
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Grayscale
results = model.train(data="coco8-grayscale.yaml", epochs=100, imgsz=640)
yolo detect train data=coco8-grayscale.yaml model=yolo11n.pt epochs=100 imgsz=640
Weitere Schulungsmöglichkeiten finden Sie in der YOLO .
Warum sollte ich Ultralytics HUB für die Verwaltung meiner COCO8-Graustufenausbildung verwenden?
Ultralytics HUB rationalisiert die Datensatzverwaltung, Schulung und Bereitstellung für YOLO Modelle, einschließlich COCO8-Graustufen. Mit Funktionen wie Cloud-Training, Echtzeitüberwachung und intuitiver Datensatzverwaltung ermöglicht HUB den Start von Experimenten mit einem einzigen Klick und macht die manuelle Einrichtung überflüssig. Erfahren Sie mehr über Ultralytics HUB und wie es Ihre Computer Vision Projekte beschleunigen kann.
Was sind die Vorteile der Mosaik-Erweiterung beim Training mit dem COCO8-Graustufen-Datensatz?
Bei der Mosaikvergrößerung, wie sie beim COCO8-Graustufen-Training verwendet wird, werden in jedem Stapel mehrere Bilder zu einem einzigen zusammengefügt. Dies erhöht die Vielfalt der Objekte und Hintergründe und hilft Ihrem YOLO Modell besser auf neue Szenarien verallgemeinern. Die Mosaik-Ergänzung ist besonders wertvoll für kleine Datensätze, da sie die in jedem Trainingsschritt verfügbaren Informationen maximiert. Weitere Informationen hierzu finden Sie in der Trainingsanleitung.
Wie kann ich mein YOLO11 , das auf dem COCO8-Graustufen-Datensatz trainiert wurde, validieren?
Um Ihr YOLO11 nach dem Training auf COCO8-Graustufen zu validieren, verwenden Sie die Validierungsbefehle des Modells entweder in Python oder CLI. Dadurch wird die Leistung Ihres Modells anhand von Standardmetriken bewertet. Eine Schritt-für-Schritt-Anleitung finden Sie in der YOLO Validation-Dokumentation.
