مجموعة بيانات COCO12-Formats#

12

COCO12-Formats

ultralytics

publicDetect

Official Ultralytics COCO12-Formats object detection dataset with 12 COCO images and 54 bounding boxes across 80 classes. Its 6 train and 6 validation images exercise 12 supported loader extensions and code paths: AVIF, BMP, DNG, HEIC, JPEG, JPG, MPO, JP2, PNG, TIF, TIFF, and WebP.

80 classes1.3 MBAug 21, 2026

personbicyclecarmotorcycle+76

object-detectioncocoimage-formats+2

مقدمة#

مجموعة بيانات Ultralytics COCO12-Formats هي مجموعة بيانات اختبار مخصصة مصممة للتحقق من تحميل الصور عبر 12 امتداداً مدعوماً لتنسيق الصور. تحتوي على 12 صورة (6 للتدريب، 6 للتحقق)، وكل منها محفوظة بتنسيق مختلف لضمان اختبار شامل لخط أنابيب تحميل الصور.

تعتبر مجموعة البيانات هذه ذات قيمة كبيرة في الحالات التالية:

• اختبار دعم تنسيق الصور: التحقق من أن تنسيقات الصور الشائعة يتم تحميلها بشكل صحيح
• خطوط CI/CD: الاختبار الآلي لتوافق التنسيقات
• تصحيح الأخطاء: عزل المشكلات الخاصة بتنسيق معين في خطوط تدريب النماذج
• التطوير: التحقق من صحة الإضافات أو التغييرات الجديدة في التنسيقات

عندما تدير مجموعات البيانات على Ultralytics Platform، يتم التعامل مع الصور بأي من هذه التنسيقات تلقائياً — دون الحاجة إلى تحويل يدوي.

التنسيقات المدعومة#

تتضمن مجموعة البيانات صورة واحدة لكل امتداد من التنسيقات الـ 12 المدعومة والمعرفة في ultralytics/data/utils.py:

هيكل مجموعة البيانات#

coco12-formats/
├── images/
│   ├── train/          # 6 images (avif, bmp, dng, heic, jpeg, jpg)
│   └── val/            # 6 images (jp2, mpo, png, tif, tiff, webp)
├── labels/
│   ├── train/          # Corresponding YOLO format labels
│   └── val/
└── coco12-formats.yaml # Dataset configuration

YAML مجموعة البيانات#

تم تكوين مجموعة بيانات COCO12-Formats باستخدام ملف YAML يحدد مسارات مجموعة البيانات وأسماء الفئات. يمكنك مراجعة ملف coco12-formats.yaml الرسمي في مستودع Ultralytics على GitHub.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO12-Formats dataset (12 images testing all supported image formats) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/coco12-formats
# Example usage: yolo train data=coco12-formats.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco12-formats ← 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: coco12-formats # dataset root dir
train: images/train # train images (relative to 'path') 6 images
val: images/val # val images (relative to 'path') 6 images
test: # test images (optional)

# 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/coco12-formats.zip

المتطلبات#

تتطلب بعض التنسيقات تبعيات إضافية:

pip install pillow pillow-heif pillow-avif-plugin

مكتبة نظام AVIF (اختياري)#

لكي يتمكن OpenCV من قراءة ملفات AVIF مباشرة، يجب تثبيت libavif قبل بناء OpenCV:

brew install libavif

الاستخدام#

يتم تنزيل مجموعة بيانات COCO12-Formats (بحجم 1 ميجابايت) تلقائيًا في المرة الأولى التي تبدأ فيها التدريب. لتدريب نموذج YOLO على مجموعة بيانات COCO12-Formats، استخدم الأمثلة التالية:

from ultralytics import YOLO

# Load a pretrained YOLO model
model = YOLO("yolo26n.pt")

# Train on COCO12-Formats to test 12 supported image formats
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

ملاحظات خاصة بالتنسيقات#

AVIF (تنسيق ملف صورة AV1)#

AVIF هو تنسيق صور حديث يعتمد على ترميز الفيديو AV1، ويقدم ضغطاً ممتازاً. يتطلب pillow-avif-plugin:

pip install pillow-avif-plugin

DNG (Digital Negative)#

DNG هو تنسيق RAW المفتوح من Adobe والمعتمد على TIFF. لأغراض الاختبار، تستخدم مجموعة البيانات ملفات تعتمد على TIFF مع امتداد .dng.

JP2 (JPEG 2000)#

JPEG 2000 هو معيار ضغط صور يعتمد على المويجات، ويوفر ضغطاً وجودة أفضل من JPEG التقليدي. يستخدم عادة في التصوير الطبي (DICOM)، والتطبيقات الجغرافية المكانية، والسينما الرقمية. مدعوم أصلاً بواسطة كل من OpenCV و Pillow.

MPO (كائن متعدد الصور)#

تُستخدم ملفات MPO للصور المجسمة (ثلاثية الأبعاد). تخزن مجموعة البيانات بيانات JPEG القياسية مع امتداد .mpo لاختبار التنسيق.

HEIC / HEIF (تنسيق ملف الصورة عالي الكفاءة)#

يشير كل من امتدادي .heic و .heif إلى نفس حاوية ISO/IEC 23008-12. وفقاً للاصطلاح، يرمز .heic إلى ملفات HEIF المشفرة بواسطة HEVC (النوع الذي تنتجه أجهزة Apple)، بينما .heif هو الامتداد الشامل الأوسع نطاقاً.

تقوم Ultralytics بفك التشفير عبر بديل OpenCV → Pillow في ultralytics/utils/patches.py، والذي يقوم بتثبيت pi-heif تلقائياً (خفيف الوزن، مخصص لفك التشفير فقط) عند الاستخدام الأول — دون الحاجة إلى إعداد يدوي للقراءة. لإنتاج ملفات HEIC/HEIF بنفسك (على سبيل المثال، إعادة ترميز عينات الصور)، قم بتثبيت حزمة pillow-heif الكاملة، والتي تتضمن أدوات الترميز:

pip install pillow-heif

حالات الاستخدام#

اختبار CI/CD#

from ultralytics import YOLO

def test_image_formats():
    """Test that 12 supported image formats load correctly."""
    model = YOLO("yolo26n.pt")
    results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=64)
    assert results is not None

التحقق من التنسيقات#

from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS

# Verify all dataset formats are supported
dataset_dir = Path("datasets/coco12-formats/images")
found_formats = {f.suffix[1:].lower() for f in dataset_dir.rglob("*.*")}
assert found_formats <= IMG_FORMATS, f"Unsupported formats: {found_formats - IMG_FORMATS}"

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات COCO في بحثك، فيرجى الاستشهاد بها:

@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 Doll{\'a}r},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

الأسئلة الشائعة#