Набор данных COCO8-Grayscale
Введение
Сайт Ultralytics COCO8-Grayscale - это компактный, но мощный набор данных для обнаружения объектов, состоящий из первых 8 изображений из набора COCO train 2017 и преобразованных в формат серого - 4 для обучения и 4 для проверки. Этот набор данных специально разработан для быстрого тестирования, отладки и экспериментов с YOLO полутоновых моделей и обучающих конвейеров. Небольшой размер делает его легко управляемым, а разнообразие позволяет эффективно проверять его на вменяемость перед масштабированием на более крупные наборы данных.
COCO8-Grayscale полностью совместим с Ultralytics HUB и YOLO11что обеспечивает беспрепятственную интеграцию в рабочие процессы компьютерного зрения.
Набор данных YAML
Конфигурация набора данных COCO8-Grayscale задается в файле YAML (Yet Another Markup Language), в котором указываются пути к набору данных, имена классов и другие важные метаданные. Вы можете ознакомиться с официальным coco8-grayscale.yaml файл в Ultralytics Репозиторий GitHub.
Примечание
Чтобы обучить RGB-изображения в градациях серого, можно просто добавить channels: 1 в YAML-файл вашего набора данных. Это преобразует все изображения в оттенки серого во время обучения, позволяя вам использовать преимущества оттенков серого, не требуя отдельного набора данных.
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
Использование
Чтобы обучить модель YOLO11n на наборе данных COCO8-Grayscale в течение 100 эпох при размере изображения 640, используйте следующие примеры. Полный список вариантов обучения см. в документации по обучениюYOLO .
Пример поезда
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
Образцы изображений и аннотаций
Ниже приведен пример мозаичной обучающей партии из набора данных COCO8-Grayscale:
- Мозаичное изображение: Это изображение иллюстрирует обучающую партию, в которой несколько изображений из набора данных объединены с помощью мозаичного наращивания. Мозаичное наращивание увеличивает разнообразие объектов и сцен в каждой партии, помогая модели лучше обобщать различные размеры объектов, соотношение сторон и фоны.
Эта техника особенно полезна для небольших наборов данных, таких как COCO8-Grayscale, так как она максимизирует ценность каждого изображения во время обучения.
Цитаты и благодарности
Если вы используете набор данных COCO в своих исследованиях или разработках, пожалуйста, ссылайтесь на следующий документ:
@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}
}
Особая благодарность консорциуму COCO за их постоянный вклад в сообщество компьютерного зрения.
ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ
Для чего используется набор данных Ultralytics COCO8-Grayscale?
Набор данных Ultralytics COCO8-Grayscale предназначен для быстрого тестирования и отладки моделей обнаружения объектов. В нем всего 8 изображений (4 для обучения, 4 для проверки), что идеально подходит для проверки ваших YOLO и убедиться, что все работает так, как ожидалось, перед масштабированием на большие наборы данных. Для получения более подробной информации изучите конфигурацию COCO8-Grayscale YAML.
Как обучить модель YOLO11 с помощью набора данных COCO8-Grayscale?
Вы можете обучить модель YOLO11 на COCO8-Grayscale, используя Python или CLI:
Пример поезда
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
Дополнительные возможности обучения см. в документации по обучениюYOLO .
Почему я должен использовать Ultralytics HUB для управления обучением COCO8-Grayscale?
Ultralytics HUB упрощает управление наборами данных, обучение и развертывание для YOLO моделей, включая COCO8-Grayscale. Благодаря таким функциям, как облачное обучение, мониторинг в реальном времени и интуитивно понятная работа с наборами данных, HUB позволяет запускать эксперименты одним щелчком мыши и избавляет от необходимости ручной настройки. Узнайте больше об Ultralytics HUB и о том, как он может ускорить ваши проекты в области компьютерного зрения.
Каковы преимущества использования дополнения мозаики при обучении на наборе данных COCO8-Grayscale?
Мозаичное увеличение, используемое в обучении COCO8-Grayscale, объединяет несколько изображений в одно в каждой партии. Это увеличивает разнообразие объектов и фонов, помогая вам YOLO модель YOLO лучше адаптируется к новым сценариям. Мозаичное наращивание особенно ценно для небольших наборов данных, поскольку оно позволяет максимально использовать информацию, доступную на каждом шаге обучения. Подробнее об этом см. в руководстве по обучению.
Как проверить модель YOLO11 , обученную на наборе данных COCO8-Grayscale?
Чтобы проверить модель YOLO11 после обучения на COCO8-Grayscale, используйте команды проверки модели в Python или CLI. Это позволит оценить производительность модели с помощью стандартных метрик. Пошаговые инструкции можно найти в документации по валидацииYOLO .
