Conjunto de datos COCO12-Formats#

12

COCO12-Formats

ultralytics

publicDetect

COCO12-Formats is an Ultralytics loader-compatibility benchmark built from twelve labeled COCO images. It exercises AVIF, BMP, DNG, HEIC, JPEG/JPG, MPO, JP2, PNG, TIF/TIFF, and WebP decoding with real bounding boxes across COCO's 80-class taxonomy.

80 classes1.3 MBSep 2, 2026

personbicyclecarmotorcycle+76

object-detectioncocoimage-formats+2

Introducción#

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

Este conjunto de datos es muy útil para:

• Probar la compatibilidad con formatos de imagen: comprueba que los formatos de imagen habituales se carguen correctamente
• Flujos de CI/CD: pruebas automatizadas de compatibilidad de formatos
• Depuración: aísla problemas específicos de cada formato en los flujos de entrenamiento
• Desarrollo: valida la incorporación o los cambios de formatos nuevos

Al gestionar conjuntos de datos en Ultralytics Platform, las imágenes en cualquiera de estos formatos se procesan automáticamente, sin necesidad de conversión manual.

Formatos compatibles#

El conjunto de datos incluye una imagen para cada uno de 12 de los 13 formatos de imagen con extensión de IMG_FORMATS (definidos en ultralytics/data/utils.py); .heif también es compatible, pero no tiene una imagen de ejemplo:

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 del conjunto de datos y los nombres de las clases. Puedes consultar 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#

No hace falta configurar nada manualmente. OpenCV lee la mayoría de los formatos directamente, y Ultralytics recurre a Pillow para AVIF, HEIC y HEIF. Pillow 11.3 o una versión posterior decodifica AVIF de forma nativa, así que actualiza Pillow si no se pueden cargar los archivos AVIF. La decodificación de HEIC/HEIF instala automáticamente el paquete ligero pi-heif la primera vez que se utiliza.

Uso#

El conjunto de datos COCO12-Formats (1 MB) se descarga automáticamente la primera vez que empiezas el entrenamiento. Para entrenar un modelo YOLO con el conjunto de datos COCO12-Formats, usa los siguientes ejemplos:

from ultralytics import YOLO

# Cargar un modelo YOLO preentrenado
model = YOLO("yolo26n.pt")

# Entrena con COCO12-Formats para probar los 12 formatos de imagen compatibles
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

Notas específicas de cada 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. Cuando OpenCV no admite AVIF, Ultralytics lo decodifica mediante Pillow 11.3 o una versión posterior, sin necesidad de paquetes adicionales.

DNG (Digital Negative)#

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

JP2 (JPEG 2000)#

JPEG 2000 es un estándar de compresión de imágenes basado en wavelets que ofrece una compresión y una calidad mejores que JPEG tradicional. Se utiliza habitualmente en diagnóstico por imagen (DICOM), aplicaciones geoespaciales y cine digital. Tanto OpenCV como Pillow lo admiten de forma nativa.

MPO (objeto multipicture)#

Los archivos MPO se utilizan para imágenes estereoscópicas (3D). Para probar formatos, el conjunto de datos almacena datos JPEG estándar con la extensión .mpo.

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

Las extensiones .heic y .heif hacen referencia al mismo contenedor ISO/IEC 23008-12. Por convención, .heic designa los archivos HEIF codificados con HEVC (la variante que producen los dispositivos Apple), mientras que .heif es la extensión general.

Ultralytics decodifica ambos formatos mediante la alternativa de OpenCV → Pillow en ultralytics/utils/patches.py, que instala automáticamente pi-heif (ligero y solo de decodificación) la primera vez que se utiliza: no hace falta ninguna configuración manual para leerlos. Para crear tus propios archivos HEIC/HEIF (por ejemplo, para volver a codificar 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 conjunto de datos COCO en tu investigación, cítalo así:

@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#