Conjunto de dados COCO8-Escala de cinzento
Introdução
Os Ultralytics COCO8-Grayscale é um conjunto de dados compacto, mas poderoso, para deteção de objectos, constituído pelas primeiras 8 imagens do conjunto COCO train 2017 e convertido para o formato de escala de cinzentos - 4 para treino e 4 para validação. Este conjunto de dados foi especificamente concebido para testes rápidos, depuração e experimentação com o YOLO modelos em escala de cinzentos e pipelines de formação. O seu tamanho reduzido torna-o altamente manejável, enquanto a sua diversidade garante que serve como uma verificação de sanidade eficaz antes de aumentar a escala para conjuntos de dados maiores.
O COCO8-Grayscale é totalmente compatível com o Ultralytics HUB e o YOLO11permitindo uma integração perfeita nos seus fluxos de trabalho de visão computacional.
Conjunto de dados YAML
A configuração do conjunto de dados COCO8-Grayscale é definida num ficheiro YAML (Yet Another Markup Language), que especifica os caminhos do conjunto de dados, os nomes das classes e outros metadados essenciais. Pode rever o ficheiro oficial coco8-grayscale.yaml no ficheiro Ultralytics Repositório GitHub.
Nota
Para treinar as suas imagens RGB em escala de cinzentos, pode simplesmente adicionar channels: 1 no ficheiro YAML do conjunto de dados. Isto converte todas as imagens para tons de cinzento durante o treino, permitindo-lhe utilizar os benefícios dos tons de cinzento sem necessitar de um conjunto de dados separado.
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
Utilização
Para treinar um modelo YOLO11n no conjunto de dados COCO8-Grayscale para 100 épocas com um tamanho de imagem de 640, utilize os seguintes exemplos. Para obter uma lista completa de opções de treinamento, consulte a documentação de treinamentoYOLO .
Exemplo de comboio
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
Exemplos de imagens e anotações
Abaixo está um exemplo de um lote de treino em mosaico do conjunto de dados COCO8-Grayscale:
- Imagem em mosaico: Esta imagem ilustra um lote de treino em que várias imagens de conjuntos de dados são combinadas utilizando o aumento de mosaico. O aumento do mosaico aumenta a diversidade de objectos e cenas dentro de cada lote, ajudando o modelo a generalizar melhor para vários tamanhos de objectos, proporções e fundos.
Esta técnica é especialmente útil para pequenos conjuntos de dados como o COCO8-Grayscale, uma vez que maximiza o valor de cada imagem durante o treino.
Citações e agradecimentos
Se utilizar o conjunto de dados COCO na sua investigação ou desenvolvimento, cite o seguinte 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}
}
Um agradecimento especial ao Consórcio COCO pelas suas contribuições contínuas para a comunidade da visão computacional.
FAQ
Para que é utilizado o conjunto de dados Ultralytics COCO8-Grayscale?
O conjunto de dados Ultralytics COCO8-Grayscale foi concebido para testar e depurar rapidamente os modelos de deteção de objectos. Com apenas 8 imagens (4 para treino, 4 para validação), é ideal para verificar os seus modelos de deteção de objectos. YOLO e garantir que tudo funciona como esperado antes de passar para conjuntos de dados maiores. Explore a configuração COCO8-Grayscale YAML para obter mais detalhes.
Como posso treinar um modelo YOLO11 utilizando o conjunto de dados COCO8-Grayscale?
É possível treinar um modelo YOLO11 em COCO8-Grayscale usando Python ou a CLI:
Exemplo de comboio
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
Para mais opções de formação, consulte a documentação da FormaçãoYOLO .
Por que razão devo utilizar o Ultralytics HUB para gerir a minha formação COCO8-Grayscale?
OUltralytics HUB simplifica o gerenciamento, o treinamento e a implantação de conjuntos de dados para a YOLO incluindo COCO8-Grayscale. Com recursos como treinamento em nuvem, monitoramento em tempo real e manuseio intuitivo de conjuntos de dados, o HUB permite iniciar experimentos com um único clique e elimina os problemas de configuração manual. Saiba mais sobre o HUBUltralytics e como ele pode acelerar seus projetos de visão computacional.
Quais são as vantagens de utilizar o aumento do mosaico no treino com o conjunto de dados COCO8-Grayscale?
O aumento do mosaico, tal como utilizado na formação COCO8-Grayscale, combina várias imagens numa só durante cada lote. Isto aumenta a diversidade de objectos e fundos, ajudando o seu YOLO a generalizar melhor para novos cenários. O aumento do mosaico é especialmente valioso para conjuntos de dados pequenos, pois maximiza as informações disponíveis em cada etapa de treinamento. Para mais informações, consulte o guia de formação.
Como posso validar o meu modelo YOLO11 treinado no conjunto de dados COCO8-Grayscale?
Para validar o seu modelo YOLO11 após o treino em COCO8-Grayscale, utilize os comandos de validação do modelo em Python ou CLI. Isso avalia o desempenho do seu modelo usando métricas padrão. Para obter instruções passo a passo, visite a documentação de validaçãoYOLO .
