Dataset 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

Introducción#

El conjunto de datos 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

Cuando gestionas conjuntos de datos en Ultralytics Platform, las imágenes en cualquiera de estos formatos se gestionan de forma automática, sin necesidad de conversión manual.

Formatos admitidos#

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

Estructura 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

YAML del dataset#

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

# 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

Requisitos#

Algunos formatos requieren dependencias adicionales:

pip install pillow pillow-heif pillow-avif-plugin

Biblioteca de sistema AVIF (opcional)#

Para que OpenCV lea archivos AVIF directamente, debes instalar libavif antes de compilar OpenCV:

brew install libavif

Uso#

El conjunto de datos COCO12-Formats (1 MB) se descarga automáticamente la primera vez que inicias el entrenamiento. Para entrenar un modelo YOLO con el conjunto de datos 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)

Notas específicas por formato#

AVIF (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

DNG (Digital Negative)#

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

JP2 (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.

MPO (Objeto de imagen múltiple)#

Los archivos MPO se utilizan para imágenes estereoscópicas (3D). El conjunto de datos almacena datos JPEG estándar con la extensión .mpo para realizar pruebas de formato.

HEIC / HEIF (formato de archivo de imagen de alta eficiencia)#

Tanto la extensión .heic como la .heif hacen referencia al mismo contenedor ISO/IEC 23008-12. Por convención, .heic denota archivos HEIF codificados en HEVC (la variante generada por los dispositivos Apple), mientras que .heif es la extensión general más amplia.

Ultralytics decodifica ambos mediante la alternativa de OpenCV → Pillow en ultralytics/utils/patches.py, que instala automáticamente pi-heif (ligero, solo para decodificación) en el primer uso; no se requiere ninguna configuración manual para la lectura. Para generar archivos HEIC/HEIF tú mismo (por ejemplo, recodificando imágenes de muestra), instala el paquete completo pillow-heif, que incluye codificadores:

pip install pillow-heif

Casos de uso#

Pruebas 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

Validación 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}"

Citas 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}
}

FAQ#