コンテンツへスキップ

COCO8-グレースケール・データセット

はじめに

ウルトラリティクス UltralyticsCOCO8-Grayscaleデータセットは、コンパクトでありながら強力な物体検出データセットであり、COCO train 2017セットから最初の8枚の画像で構成され、トレーニング用に4枚、検証用に4枚がグレースケール形式に変換されています。このデータセットは、迅速なテスト、デバッグ、および YOLOグレースケール・モデルとトレーニング・パイプラインの迅速なテストとデバッグ、実験のために特別に設計されている。サイズが小さいため非常に管理しやすく、多様性があるため、より大きなデータセットにスケールアップする前の効果的なサニティチェックとして機能します。

COCO8-GrayscaleはUltralytics HUBと完全に互換性があります。 YOLO11との完全な互換性があり、コンピュータビジョンワークフローへのシームレスな統合を可能にします。

データセット YAML

COCO8-Grayscaleデータセットの設定はYAML（Yet Another Markup Language）ファイルで定義されており、データセットのパス、クラス名、その他の重要なメタデータを指定します。公式の coco8-grayscale.yaml ファイルを Ultralytics GitHubリポジトリ.

注

RGB画像をグレースケールで学習させるには、次のようにします。 channels: 1 をデータセットYAMLファイルに追加します。これにより、トレーニング中にすべての画像がグレースケールに変換され、別のデータセットを必要とせずにグレースケールの利点を利用できるようになります。

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

使用方法

COCO8-GrayscaleデータセットでYOLO11nモデルを画像サイズ640で100エポック学習させるには、以下の例を使用する。トレーニングオプションの完全なリストについては、YOLO トレーニングのドキュメントを参照してください。

列車の例

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

サンプル画像と注釈

以下は、COCO8-Grayscaleデータセットからモザイク処理されたトレーニングバッチの例である：

データセットサンプル画像

  • モザイク画像：この画像は、複数のデータセット画像をモザイク補強を使用して結合したトレーニングバッチを示しています。モザイク補強は、各バッチ内のオブジェクトとシーンの多様性を高め、モデルが様々なオブジェクトサイズ、アスペクト比、背景に対してより良く一般化するのに役立ちます。

このテクニックはCOCO8-Grayscaleのような小さなデータセットに特に有効で、学習中に各画像の価値を最大化できるからである。

引用と謝辞

COCOデータセットを研究や開発に使用する場合は、以下の論文を引用してください：

@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}
}

COCOコンソーシアムの コンピュータ・ビジョン・コミュニティへの継続的な貢献に感謝する。

よくあるご質問

Ultralytics COCO8-Grayscaleデータセットは何に使われるのか？

Ultralytics COCO8-Grayscaleデータセットは、物体検出モデルの迅速なテストとデバッグ用に設計されています。8枚の画像（トレーニング用4枚、検証用4枚）のみで、以下のような検証に最適です。 YOLOトレーニングパイプラインを検証し、より大きなデータセットに拡張する前に、すべてが期待通りに動作することを確認するのに最適です。詳細はCOCO8-Grayscale YAML設定をご覧ください。

COCO8-Grayscaleデータセットを使ってYOLO11 モデルを学習するには？

Python またはCLI使用して、COCO8-Grayscale上でYOLO11 モデルをトレーニングすることができます：

列車の例

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

その他のトレーニングオプションについては、YOLO トレーニングの文書を参照してください。

なぜCOCO8-Grayscaleトレーニングの管理にUltralytics HUBを使うべきなのでしょうか？

Ultralytics HUBは、データセットの管理、トレーニング、デプロイメントを合理化します。 YOLOモデル（COCO8-Grayscaleを含む）のデータセット管理および展開を合理化します。クラウドトレーニング、リアルタイムモニタリング、直感的なデータセットハンドリングなどの機能を備えたHUBは、ワンクリックで実験を開始でき、手動でのセットアップの手間を省きます。Ultralytics HUBの詳細と、コンピュータビジョンプロジェクトを加速する方法についてはこちらをご覧ください。

COCO8-Grayscaleデータセットのトレーニングでモザイク補強を使用する利点とは？

COCO8-Grayscaleトレーニングで使用されているモザイク補強は、各バッチで複数の画像を1つに統合します。これにより、対象物や背景の多様性が増し、撮影に役立ちます。 YOLOモデルの新しいシナリオへの汎化を助けます。モザイク補強は、各トレーニングステップで利用可能な情報を最大化するため、小さなデータセットには特に有効です。詳しくはトレーニングガイドをご覧ください。

COCO8-Grayscaleデータセットで学習したYOLO11 モデルを検証するには？

COCO8-Grayscaleでのトレーニング後にYOLO11 モデルを検証するには、Python またはCLIいずれかでモデルの検証コマンドを使用します。これは、標準的なメトリクスを使用してモデルのパフォーマンスを評価します。ステップバイステップの手順については、YOLO Validationのドキュメントをご覧ください。



📅作成：3日前 ✏️更新：3日前
笑q

コメント