COCO8-그레이스케일 데이터 세트

Q: What Is the Ultralytics COCO8-Grayscale Dataset Used For?

Ultralytics COCO8-그레이스케일 데이터 세트는 물체 감지 모델의 신속한 테스트와 디버깅을 위해 설계되었습니다. 8개의 이미지(훈련용 4개, 검증용 4개)로만 구성되어 있어 더 큰 데이터 세트로 확장하기 전에 YOLO 훈련 파이프라인을 검증하고 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 자세한 내용은 COCO8-그레이스케일 YAML 구성을 살펴보세요.

Q: How Do I Train a YOLO11 Model Using the COCO8-Grayscale Dataset?

Python 또는 CLI 사용하여 COCO8-그레이스케일에서 YOLO11 모델을 훈련할 수 있습니다. 추가 훈련 옵션은 YOLO 훈련 설명서를 참조하세요.

Q: Why Should I Use Ultralytics HUB for Managing My COCO8-Grayscale Training?

Ultralytics HUB는 COCO8-그레이스케일을 포함한 YOLO 모델의 데이터 세트 관리, 교육 및 배포를 간소화합니다. 클라우드 트레이닝, 실시간 모니터링, 직관적인 데이터 세트 처리와 같은 기능을 갖춘 HUB를 사용하면 클릭 한 번으로 실험을 시작할 수 있으며 수동 설정의 번거로움을 없앨 수 있습니다. Ultralytics HUB에 대해 자세히 알아보고 컴퓨터 비전 프로젝트를 가속화하는 방법을 알아보세요.

소개

그리고 Ultralytics COCO8-그레이스케일 데이터 세트는 작지만 강력한 물체 감지 데이터 세트로, COCO train 2017 세트의 첫 8개 이미지를 그레이 스케일 형식으로 변환하여 훈련용 4개와 검증용 4개로 구성됩니다. 이 데이터 세트는 신속한 테스트, 디버깅, 실험을 위해 특별히 설계되었습니다. YOLO 그레이스케일 모델 및 훈련 파이프라인을 사용한 신속한 테스트 및 실험을 위해 특별히 설계되었습니다. 크기가 작아 관리가 용이하며, 다양성으로 인해 더 큰 데이터 세트로 확장하기 전에 효과적인 건전성 검사 역할을 할 수 있습니다.

COCO8-그레이스케일은 Ultralytics 허브 및 YOLO11와 완벽하게 호환되므로 컴퓨터 비전 워크플로우에 원활하게 통합할 수 있습니다.

데이터 세트 YAML

COCO8-그레이스케일 데이터세트 구성은 데이터세트 경로, 클래스 이름 및 기타 필수 메타데이터를 지정하는 YAML(또 다른 마크업 언어) 파일에 정의되어 있습니다. 공식 coco8-grayscale.yaml 파일에 있는 Ultralytics GitHub 리포지토리.

참고

RGB 이미지를 회색조로 훈련하려면 다음을 추가하면 됩니다. channels: 1 을 데이터 세트 YAML 파일에 추가합니다. 이렇게 하면 훈련 중에 모든 이미지가 회색조로 변환되므로 별도의 데이터 세트 없이도 회색조의 이점을 활용할 수 있습니다.

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

사용법

이미지 크기가 640인 COCO8-그레이스케일 데이터 세트에서 100개의 에포크에 대해 YOLO11n 모델을 훈련하려면 다음 예제를 사용합니다. 훈련 옵션의 전체 목록은 YOLO 훈련 설명서를 참조하세요.

열차 예시

PythonCLI

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

샘플 이미지 및 주석

아래는 COCO8-그레이스케일 데이터 세트의 모자이크 훈련 배치의 예시입니다:

데이터 세트 샘플 이미지

모자이크 이미지: 이 이미지는 모자이크 증강을 사용하여 여러 데이터 세트 이미지를 결합한 훈련 배치의 예시입니다. 모자이크 증강은 각 배치 내에서 개체와 장면의 다양성을 증가시켜 모델이 다양한 개체 크기, 종횡비 및 배경에 더 잘 일반화할 수 있도록 도와줍니다.

이 기술은 학습 중에 각 이미지의 값을 최대화하기 때문에 COCO8-그레이스케일과 같은 작은 데이터 세트에 특히 유용합니다.

인용 및 감사

연구 또는 개발에 COCO 데이터셋을 사용하는 경우 다음 논문을 인용해 주세요:

BibTeX

@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}
}

컴퓨터 비전 커뮤니티에 지속적으로 기여해 주신 COCO 컨소시엄에 특별히 감사드립니다.

자주 묻는 질문

Ultralytics COCO8-그레이스케일 데이터 세트는 어떤 용도로 사용되나요?

물체 감지 모델의 신속한 테스트와 디버깅을 위해 설계된 Ultralytics COCO8-그레이스케일 데이터 세트입니다. 단 8개의 이미지(훈련용 4개, 검증용 4개)로 구성되어 있어 YOLO 훈련 파이프라인을 검증하고 더 큰 데이터 세트로 확장하기 전에 모든 것이 예상대로 작동하는지 확인하는 데 이상적입니다. 자세한 내용은 COCO8-그레이스케일 YAML 구성을 살펴보세요.