COCO8-Bộ dữ liệu đa phổ
Giới thiệu
Bộ dữ liệu COCO8-Multispectral Ultralytics là một biến thể nâng cao của bộ dữ liệu COCO8 gốc, được thiết kế để tạo điều kiện cho việc thử nghiệm với các mô hình phát hiện đối tượng đa phổ. Nó bao gồm 8 hình ảnh giống nhau từ bộ COCO train 2017—4 để đào tạo và 4 để xác thực—nhưng mỗi hình ảnh được chuyển đổi thành định dạng đa phổ 10 kênh. Bằng cách mở rộng ra ngoài các kênh RGB tiêu chuẩn, COCO8-Multispectral cho phép phát triển và đánh giá các mô hình có thể tận dụng thông tin phổ phong phú hơn.
COCO8-Multispectral hoàn toàn tương thích với Ultralytics HUB và YOLO11 , đảm bảo tích hợp liền mạch vào quy trình làm việc về thị giác máy tính của bạn.
Tạo tập dữ liệu
Các hình ảnh đa phổ trong COCO8-Multispectral được tạo ra bằng cách nội suy các hình ảnh RGB gốc trên 10 kênh quang phổ cách đều nhau trong quang phổ khả kiến. Quá trình này bao gồm:
- Gán bước sóng : Gán các bước sóng danh nghĩa cho các kênh RGB—Đỏ: 650 nm, Xanh lục: 510 nm, Xanh lam: 475 nm.
- Nội suy : Sử dụng nội suy tuyến tính để ước tính giá trị pixel ở bước sóng trung gian từ 450 nm đến 700 nm, tạo ra 10 kênh quang phổ.
- Ngoại suy: Áp dụng ngoại suy với SciPy
interp1dchức năng ước tính các giá trị vượt quá bước sóng RGB ban đầu, đảm bảo biểu diễn quang phổ hoàn chỉnh.
Phương pháp này mô phỏng quá trình chụp ảnh đa phổ, cung cấp một tập dữ liệu đa dạng hơn để đào tạo và đánh giá mô hình. Để biết thêm thông tin về chụp ảnh đa phổ, hãy xem bài viết Wikipedia về Chụp ảnh đa phổ .
Bộ dữ liệu YAML
Bộ dữ liệu COCO8-Multispectral được cấu hình bằng tệp YAML, tệp này định nghĩa đường dẫn bộ dữ liệu, tên lớp và siêu dữ liệu cần thiết. Bạn có thể xem lại chính thức coco8-multispectral.yaml tập tin trong Ultralytics Kho lưu trữ GitHub.
ultralytics /cfg/datasets/coco8-multispectral.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# COCO8-Multispectral dataset (COCO8 images interpolated across 10 channels in the visual spectrum) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco8-multispectral/
# Example usage: yolo train data=coco8-multispectral.yaml
# parent
# ├── ultralytics
# └── datasets
# └── coco8-multispectral ← downloads here (20.2 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-multispectral # 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)
# Number of multispectral image channels
channels: 10
# 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-multispectral.zip
Ghi chú
Chuẩn bị hình ảnh TIFF của bạn trong (channel, height, width) đặt hàng và lưu với .tiff hoặc .tif phần mở rộng để sử dụng với Ultralytics :
import cv2
import numpy as np
# Create and write 10-channel TIFF
image = np.ones((10, 640, 640), dtype=np.uint8) # CHW-order
cv2.imwritemulti("example.tiff", image)
# Read TIFF
success, frames_list = cv2.imreadmulti("example.tiff")
image = np.stack(frames_list, axis=2)
print(image.shape) # (640, 640, 10) HWC-order for training and inference
Cách sử dụng
Để đào tạo mô hình YOLO11n trên tập dữ liệu COCO8-Multispectral cho 100 kỷ nguyên với kích thước hình ảnh là 640, hãy sử dụng các ví dụ sau. Để biết danh sách đầy đủ các tùy chọn đào tạo, hãy tham khảo tài liệu Đào tạo YOLO .
Ví dụ về tàu hỏa
from ultralytics import YOLO
# Load a pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on COCO8-Multispectral
results = model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640)
# Train YOLO11n on COCO8-Multispectral using the command line
yolo detect train data=coco8-multispectral.yaml model=yolo11n.pt epochs=100 imgsz=640
Để biết thêm chi tiết về việc lựa chọn mô hình và các biện pháp thực hành tốt nhất, hãy khám phá tài liệu về mô hình YOLO Ultralytics và hướng dẫn Mẹo đào tạo mô hình YOLO .
Hình ảnh mẫu và chú thích
Dưới đây là ví dụ về lô đào tạo được ghép từ tập dữ liệu COCO8-Multispectral:
- Ảnh ghép : Ảnh này minh họa một lô đào tạo trong đó nhiều hình ảnh tập dữ liệu được kết hợp bằng cách sử dụng tăng cường khảm . Tăng cường khảm làm tăng tính đa dạng của các đối tượng và cảnh trong mỗi lô, giúp mô hình tổng quát hóa tốt hơn với nhiều kích thước đối tượng, tỷ lệ khung hình và nền khác nhau.
Kỹ thuật này đặc biệt có giá trị đối với các tập dữ liệu nhỏ như COCO8-Multispectral vì nó tối đa hóa tiện ích của từng hình ảnh trong quá trình đào tạo.
Trích dẫn và Lời cảm ơn
Nếu bạn sử dụng bộ dữ liệu COCO trong nghiên cứu hoặc phát triển của mình, vui lòng trích dẫn bài báo sau:
@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}
}
Xin gửi lời cảm ơn đặc biệt tới COCO Consortium vì những đóng góp liên tục của họ cho cộng đồng thị giác máy tính .
CÂU HỎI THƯỜNG GẶP
Cái gì là Ultralytics Bộ dữ liệu đa phổ COCO8 được sử dụng để làm gì?
Các Ultralytics Bộ dữ liệu COCO8-Multispectral được thiết kế để thử nghiệm và gỡ lỗi nhanh các mô hình phát hiện đối tượng đa quang phổ . Chỉ với 8 hình ảnh (4 để đào tạo, 4 để xác thực), lý tưởng để xác minh các đường ống đào tạo YOLO của bạn và đảm bảo mọi thứ hoạt động như mong đợi trước khi mở rộng sang các bộ dữ liệu lớn hơn. Để biết thêm các bộ dữ liệu để thử nghiệm, hãy truy cập Danh mục Bộ dữ liệu Ultralytics .
Dữ liệu đa phổ cải thiện khả năng phát hiện đối tượng như thế nào?
Dữ liệu đa phổ cung cấp thông tin phổ bổ sung ngoài RGB tiêu chuẩn, cho phép các mô hình phân biệt các vật thể dựa trên sự khác biệt tinh tế về độ phản xạ trên các bước sóng. Điều này có thể tăng cường độ chính xác phát hiện, đặc biệt là trong các tình huống khó khăn. Tìm hiểu thêm về hình ảnh đa phổ và các ứng dụng của nó trong thị giác máy tính tiên tiến .
COCO8-Multispectral có tương thích với Ultralytics HUB và YOLO Người mẫu?
Có, COCO8-Multispectral hoàn toàn tương thích với Ultralytics HUB và tất cả các mẫu YOLO , bao gồm cả mẫu mới nhất YOLO11 . Điều này cho phép bạn dễ dàng tích hợp tập dữ liệu vào quy trình đào tạo và xác thực của mình.
Tôi có thể tìm thêm thông tin về các kỹ thuật tăng cường dữ liệu ở đâu?
Để hiểu sâu hơn về các phương pháp tăng cường dữ liệu như mosaic và tác động của chúng đến hiệu suất mô hình, hãy tham khảo Hướng dẫn tăng cường dữ liệu YOLO và Blog Ultralytics về tăng cường dữ liệu .
Tôi có thể sử dụng COCO8-Multispectral cho mục đích đánh giá chuẩn hoặc giáo dục không?
Chắc chắn rồi! Kích thước nhỏ và bản chất đa phổ của COCO8-Multispectral làm cho nó trở nên lý tưởng cho việc đánh giá chuẩn, trình diễn giáo dục và tạo nguyên mẫu kiến trúc mô hình mới. Để biết thêm các tập dữ liệu đánh giá chuẩn, hãy xem Bộ sưu tập dữ liệu đánh giá chuẩn Ultralytics .
