Link to this sectionDataset COCO12-Formats#

Link to this sectionIntroducción#

El dataset COCO12-Formats de Ultralytics es un conjunto de datos de prueba especializado diseñado para validar la carga de imágenes en 12 extensiones de formato de imagen compatibles. Contiene 12 imágenes (6 para entrenamiento, 6 para validación), cada una guardada en un formato diferente para garantizar una prueba exhaustiva de la canalización de carga de imágenes.

Este dataset es inestimable para:

• Probar la compatibilidad de formatos de imagen: Verifica que los formatos de imagen comunes se carguen correctamente
• Canalizaciones de CI/CD: Pruebas automatizadas de compatibilidad de formatos
• Depuración: Aísla problemas específicos de formato en las canalizaciones de entrenamiento
• Desarrollo: Valida nuevas adiciones o cambios de formato

Link to this sectionFormatos admitidos#

El dataset incluye una imagen para cada una de las 12 extensiones de formato admitidas definidas en ultralytics/data/utils.py:

Link to this sectionEstructura del dataset#

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 sectionYAML del dataset#

El dataset COCO12-Formats se configura mediante un archivo YAML que define las rutas del dataset y los nombres de las clases. Puedes revisar el archivo oficial coco12-formats.yaml en el repositorio de Ultralytics en 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

Link to this sectionRequisitos#

Algunos formatos requieren dependencias adicionales:

pip install pillow pillow-heif pillow-avif-plugin

Link to this sectionBiblioteca de sistema AVIF (opcional)#

Para que OpenCV lea archivos AVIF directamente, libavif debe instalarse antes de compilar OpenCV:

brew install libavif

Link to this sectionUso#

Para entrenar un modelo YOLO en el dataset COCO12-Formats, utiliza los siguientes ejemplos:

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 sectionNotas específicas por formato#

Link to this sectionAVIF (Formato de archivo de imagen AV1)#

AVIF es un formato de imagen moderno basado en el códec de vídeo AV1, que ofrece una compresión excelente. Requiere pillow-avif-plugin:

pip install pillow-avif-plugin

Link to this sectionDNG (Digital Negative)#

DNG es el formato RAW abierto de Adobe basado en TIFF. Para fines de prueba, el dataset utiliza archivos basados en TIFF con la extensión .dng.

Link to this sectionJP2 (JPEG 2000)#

JPEG 2000 es un estándar de compresión de imagen basado en ondículas que ofrece mejor compresión y calidad que el JPEG tradicional. Se utiliza habitualmente en imágenes médicas (DICOM), aplicaciones geoespaciales y cine digital. Es compatible de forma nativa tanto con OpenCV como con Pillow.

Link to this sectionMPO (Objeto de imagen múltiple)#

Los archivos MPO se utilizan para imágenes estereoscópicas (3D). El dataset almacena datos JPEG estándar con la extensión .mpo para probar el formato.

Link to this sectionHEIC (Codificación de imagen de alta eficiencia)#

HEIC requiere el paquete pillow-heif para una codificación correcta:

pip install pillow-heif

Link to this sectionCasos de uso#

Link to this sectionPruebas de 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

Link to this sectionValidación de formatos#

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 sectionCitas y agradecimientos#

Si utilizas el dataset COCO en tu investigación, por favor cítalo:

@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 section¿Para qué se utiliza el dataset COCO12-Formats?#

El dataset COCO12-Formats está diseñado para probar la compatibilidad de formatos de imagen en las canalizaciones de entrenamiento de Ultralytics YOLO. Asegura que 12 formatos de imagen compatibles (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) se carguen y procesen correctamente.

Link to this section¿Por qué probar múltiples formatos de imagen?#

Los diferentes formatos de imagen tienen características únicas (compresión, profundidad de color, espacios de color). Probar todos los formatos garantiza:

• Código de carga de imágenes robusto
• Compatibilidad entre diversos datasets
• Detección temprana de errores específicos de formato

Link to this section¿Qué formatos requieren dependencias especiales?#

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