企业官网建设流程全解析

Ultralytics YOLO 多光谱目标检测实战指南：10 波段 TIFF，3 步跑通训练

【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics

Ultralytics YOLO 多光谱支持意味着，你不用再先把 N 个波段的 .tiff 硬压成 3 个通道才能喂给模型：训练、验证、推理、导出，一条命令就能跑通。本文以官方自带的 coco8-multispectral 数据集为起点，按"跑通演示 → 看懂原理 → 准备自己的数据"的顺序走完整个流程，可以直接当上手指引用。

多光谱到底解决什么问题？

RGB 三通道只覆盖 400–700nm 的可见光，超出这个范围就"看不清"了。典型的两类场景：

• 农业：健康叶片和病叶在可见光下长得几乎一样，近红外波段的反射差异却很明显；
• 遥感：雾霾、树冠遮挡下，物体颜色相近但光谱特征不同。

多光谱成像的思路很简单：把光谱切成 N 个"波段"，每个波段记成一个通道，文件通常存成多页 .tiff。Ultralytics YOLO 原生吃这种数据，不用改网络架构，原有训练/推理流程原样复用。

最小可运行演示：三步训练多光谱检测模型

第一步：获取数据集

仓库里自带 ultralytics/cfg/datasets/coco8-multispectral.yaml：8 张图（4 训练 + 4 验证），每张都通过波长插值扩成了 10 通道 .tiff，整个数据集只有 20.2MB。首次训练时自动下载，不需要手动准备。📦

第二步：确认 YAML 里的 channels 参数

多光谱兼容的开关就藏在配置文件的这一行：

channels: 10

数据加载器启动时会读取这个字段来确定输入通道数（ultralytics/data/dataset.py 第 101 行，缺省按 3 处理）。自己写数据集配置时，忘写这行框架仍会把数据当普通 RGB 处理——这是第一个容易踩的坑。

第三步：训练与验证，各一条命令

数据就位后，训练命令和常规 RGB 任务完全一样：

yolo detect train model=yolo26n.pt data=coco8-multispectral.yaml epochs=100 imgsz=640

Python 调用也照旧：

from ultralytics import YOLO model = YOLO("yolo26n.pt") model.train(data="coco8-multispectral.yaml", epochs=100, imgsz=640) model.val(data="coco8-multispectral.yaml")

🎯 10 通道的 .tiff 输入不需要任何额外参数，跑一遍看到损失曲线正常下降，就说明链路通了。

源码里为多光谱开了哪些分支？

演示跑通后回头看原理，整条链路其实只有几处"按通道数判断"的分支：

• 数据加载：ultralytics/data/dataset.py 从 YAML 读channels并传给数据集，首个卷积层的输入通道随之自适应，网络结构不用动。
• Letterbox 填充：ultralytics/data/augment.py 第 1804 行给多光谱单独写了分支——cv2.copyMakeBorder只支持 3 通道填充值，这里改用np.full构造任意通道数的填充画布，保证增强过程中波段数不被破坏。
• 可视化：ultralytics/utils/plotting.py 第 313 行判断im.shape[2] > 3后只取前 3 个通道出预览图，画框显示永远不会因为通道数报错。
• 全流程验证：tests/test_python.py 的test_multichannel用例把 train → val → predict（直接传 10 通道 numpy 数组作输入）→ onnx 导出全部跑了一遍，可作为你自查的模板。

🔍 一句话总结：多光谱不是独立的模式，而是现有各环节各加了一个分支判断。

没有多光谱数据？一行命令把 RGB 数据集转过去

ultralytics/data/converter.py 第 727 行的convert_to_multispectral可以把单张 RGB 图或整个目录，在 450–700nm 范围内线性插值成 10 个均匀波段（区间外做线性外推），输出多波段 .tiff，适合做管线验证和预训练：

from ultralytics.data.converter import convert_to_multispectral convert_to_multispectral("path/to/coco8", n_channels=10) # 支持目录或单张图片

这里要提醒一句：它生成的是模拟多光谱，光谱信息本质上还是从 RGB 来的，验证流程没问题，但真实业务场景要拿多光谱相机实采的数据训练。

准备自己的多波段 TIFF：格式三要素

接入自采数据集前，先对照检查这三点：

1. 文件扩展名：.tif或.tiff，一页对应一个波段；
2. 通道顺序：按(channel, height, width)存储，dtype 为uint8；
3. 读写方式：用cv2.imwritemulti写入、cv2.imreadmulti读取。

官方文档里准备数据就是这么写的：

import cv2 import numpy as np image = np.ones((10, 640, 640), dtype=np.uint8) # CHW 顺序 cv2.imwritemulti("example.tiff", image)

然后别忘了在你的数据集 yaml 里写上对应的channels（换成你的真实波段数）。

避坑清单：四个高频问题

Q：为什么results[0].show()显示的不是全部波段？显示环节只取前 3 个通道（plotting.py 第 313 行），这是刻意的降维预览。要拿完整波段，从results[0].orig_img取原始数组：

spectral = results[0].orig_img # shape: (H, W, 10) band3 = spectral[..., 3] # 取任意一个波段做分析

Q：mosaic、letterbox 这些增强对多光谱数据安全吗？安全。letterbox 有专用分支（augment.py 第 1804 行），测试用例也是带着cache="disk"跑完全流程的。

Q：单通道灰度 TIFF 也支持吗？支持。绘图侧有灰度专门处理（plotting.py 第 309 行），测试套件里灰度和多光谱是两个参数化用例。

Q：OBB（旋转框检测）能做多光谱吗？可以。仓库还内置了 ultralytics/cfg/datasets/dota8-multispectral.yaml，换 OBB 模型后流程与本文一致。

下一步可以做什么

• 先用 coco8-multispectral / dota8-multispectral 这类小数据集把管线验通，再切换到实采数据；
• 训练完成后直接model.export(format="onnx")，多光谱模型同样可以导出部署；
• 数据集字段、参数细节可参考仓库内 docs/en/datasets/detect/coco8-multispectral.md，里面还附有数据集生成方式（波长分配与插值规则）的说明。

【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics