Conjunto de datos COCO12-Formatos

Introducción

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

Este conjunto de datos es muy valioso para:

• Comprobación de la compatibilidad con formatos de imagen: comprueba que todos los formatos compatibles se carguen correctamente.
• Canales CI/CD: pruebas automatizadas de compatibilidad de formatos
• Depuración: aislar problemas específicos del formato en los procesos de formación.
• Desarrollo: Validar nuevas adiciones o cambios en el formato.

Formatos compatibles

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 conjunto de datos

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 conjunto de datos

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. Puede consultar la documentación oficial. coco12-formats.yaml archivo 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

Generación de conjuntos de datos

El conjunto de datos se puede generar utilizando el script proporcionado que convierte las imágenes fuente de COCO8 COCO128 todos los formatos compatibles:

from ultralytics.data.scripts.generate_coco12_formats import generate_coco12_formats

# Generate the dataset
generate_coco12_formats()

Requisitos

Algunos formatos requieren dependencias adicionales:

pip install pillow pillow-heif pillow-avif-plugin

Biblioteca del sistema AVIF (opcional)

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

brew install libavif

sudo apt install libavif-dev libavif-bin

git clone -b v1.2.1 https://github.com/AOMediaCodec/libavif.git
cd libavif
cmake -B build -DAVIF_CODEC_AOM=SYSTEM -DAVIF_BUILD_APPS=ON
cmake --build build --config Release --parallel
sudo cmake --install build

Uso

Para entrenar un YOLO en el conjunto de datos COCO12-Formats, utilice los siguientes ejemplos:

from ultralytics import YOLO

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

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

# Train YOLO on COCO12-Formats
yolo detect train data=coco12-formats.yaml model=yolo26n.pt epochs=1 imgsz=640

Notas específicas del 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 (negativo digital)

DNG es el formato RAW abierto de Adobe basado en TIFF. A efectos de prueba, el conjunto de datos utiliza archivos basados en TIFF con el .dng ampliación.

JP2 (JPEG 2000)

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

MPO (objeto multipatrón)

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

HEIC (Codificación de imágenes de alta eficiencia)

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

pip install pillow-heif

Casos de uso

Pruebas de CI/CD

from ultralytics import YOLO


def test_all_image_formats():
    """Test that all 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 del formato

from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS

# Verify all formats are represented
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"Missing formats: {IMG_FORMATS - found_formats}"

Citas y agradecimientos

Si utiliza el COCO en su investigación, cite:

@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}
}

Preguntas frecuentes

¿Para qué se utiliza el conjunto de datos COCO12-Formats?

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

¿Por qué probar varios formatos de imagen?

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

• Código robusto para la carga de imágenes
• Compatibilidad entre diversos conjuntos de datos
• Detección temprana de errores específicos del formato

¿Qué formatos requieren dependencias especiales?

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

¿Puedo añadir nuevas pruebas de formato?

¡Sí! Modifica el generate_coco12_formats.py script para incluir formatos adicionales. Asegúrate de actualizar también IMG_FORMATS en ultralytics/data/utils.py.

📅 Creado hace 0 días ✏️ Actualizado hace 0 días

Comentarios