Link to this sectionCOCO12-Formats Datensatz#

Link to this sectionEinführung#

Der Ultralytics COCO12-Formats Datensatz ist ein spezieller Testdatensatz, der entwickelt wurde, um das Laden von Bildern über 12 unterstützte Bildformaterweiterungen hinweg zu validieren. Er enthält 12 Bilder (6 für das Training, 6 für die Validierung), die jeweils in einem anderen Format gespeichert sind, um ein umfassendes Testen der Bildladepipeline zu gewährleisten.

Dieser Datensatz ist von unschätzbarem Wert für:

• Testen der Bildformatunterstützung: Überprüfe, ob gängige Bildformate korrekt geladen werden
• CI/CD-Pipelines: Automatisierte Tests der Formatkompatibilität
• Debugging: Isoliere formatspezifische Probleme in Trainingspipelines
• Entwicklung: Validierung neuer Formatergänzungen oder -änderungen

Link to this sectionUnterstützte Formate#

Der Datensatz enthält ein Bild für jede der 12 unterstützten Formaterweiterungen, die in ultralytics/data/utils.py definiert sind:

Link to this sectionDatensatzstruktur#

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

Link to this sectionDatensatz-YAML#

Der COCO12-Formats Datensatz wird über eine YAML-Datei konfiguriert, die Datensatzpfade und Klassennamen definiert. Du kannst die offizielle coco12-formats.yaml Datei im Ultralytics GitHub-Repository einsehen.

# 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

Link to this sectionAnforderungen#

Einige Formate erfordern zusätzliche Abhängigkeiten:

pip install pillow pillow-heif pillow-avif-plugin

Link to this sectionAVIF Systembibliothek (optional)#

Damit OpenCV AVIF-Dateien direkt lesen kann, muss libavif vor dem Erstellen von OpenCV installiert werden:

brew install libavif

Link to this sectionVerwendung#

Um ein YOLO Modell auf dem COCO12-Formats Datensatz zu trainieren, verwende die folgenden Beispiele:

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)

Link to this sectionFormatspezifische Hinweise#

Link to this sectionAVIF (AV1 Image File Format)#

AVIF ist ein modernes Bildformat basierend auf dem AV1 Videocodec, das eine exzellente Komprimierung bietet. Erfordert pillow-avif-plugin:

pip install pillow-avif-plugin

Link to this sectionDNG (Digital Negative)#

DNG ist Adobes offenes RAW-Format basierend auf TIFF. Zu Testzwecken verwendet der Datensatz TIFF-basierte Dateien mit der .dng Erweiterung.

Link to this sectionJP2 (JPEG 2000)#

JPEG 2000 ist ein Wavelet-basierter Bildkomprimierungsstandard, der eine bessere Komprimierung und Qualität als herkömmliches JPEG bietet. Häufig verwendet in der medizinischen Bildgebung (DICOM), geospazialen Anwendungen und digitalem Kino. Nativ unterstützt von OpenCV und Pillow.

Link to this sectionMPO (Multi-Picture Object)#

MPO-Dateien werden für stereoskopische (3D) Bilder verwendet. Der Datensatz speichert Standard-JPEG-Daten mit der .mpo Erweiterung für Formattests.

Link to this sectionHEIC (High Efficiency Image Coding)#

HEIC erfordert das pillow-heif Paket für die korrekte Kodierung:

pip install pillow-heif

Link to this sectionAnwendungsfälle#

Link to this sectionCI/CD-Tests#

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

Link to this sectionFormat-Validierung#

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}"

Link to this sectionZitate und Danksagungen#

Wenn du den COCO Datensatz in deiner Forschung verwendest, zitiere bitte:

@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}
}

Link to this sectionFAQ#

Link to this sectionWofür wird der COCO12-Formats Datensatz verwendet?#

Der COCO12-Formats Datensatz wurde für das Testen der Bildformatkompatibilität in Ultralytics YOLO Trainingspipelines entwickelt. Er stellt sicher, dass 12 unterstützte Bildformate (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) korrekt geladen und verarbeitet werden.

Link to this sectionWarum mehrere Bildformate testen?#

Unterschiedliche Bildformate haben einzigartige Eigenschaften (Kompression, Farbtiefe, Farbräume). Das Testen aller Formate stellt sicher:

• Robuster Code zum Laden von Bildern
• Kompatibilität über verschiedene Datensätze hinweg
• Frühzeitige Erkennung formatspezifischer Fehler

Link to this sectionWelche Formate erfordern spezielle Abhängigkeiten?#

• AVIF: Erfordert pillow-avif-plugin
• HEIC: Erfordert pillow-heif