Link to this sectionJeu de données COCO12-Formats#

Link to this sectionIntroduction#

Le jeu de données COCO12-Formats d'Ultralytics est un jeu de données de test spécialisé conçu pour valider le chargement d'images sur 12 extensions de format d'image prises en charge. Il contient 12 images (6 pour l'entraînement, 6 pour la validation), chacune enregistrée dans un format différent pour garantir un test complet du pipeline de chargement d'images.

Ce jeu de données est inestimable pour :

• Tester la prise en charge des formats d'image : Vérifier que les formats d'image courants se chargent correctement
• Pipelines CI/CD : Tests automatisés de la compatibilité des formats
• Débogage : Isoler les problèmes spécifiques au format dans les pipelines d'entraînement
• Développement : Valider les ajouts ou modifications de nouveaux formats

Link to this sectionFormats pris en charge#

Le jeu de données comprend une image pour chacune des 12 extensions de format prises en charge définies dans ultralytics/data/utils.py :

Link to this sectionStructure du jeu de données#

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 du jeu de données#

Le jeu de données COCO12-Formats est configuré à l'aide d'un fichier YAML qui définit les chemins du jeu de données et les noms des classes. Tu peux consulter le fichier officiel coco12-formats.yaml dans le dépôt GitHub d'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

Link to this sectionPrérequis#

Certains formats nécessitent des dépendances supplémentaires :

pip install pillow pillow-heif pillow-avif-plugin

Link to this sectionBibliothèque système AVIF (optionnelle)#

Pour qu'OpenCV puisse lire directement les fichiers AVIF, libavif doit être installé avant de compiler OpenCV :

brew install libavif

Link to this sectionUtilisation#

Pour entraîner un modèle YOLO sur le jeu de données COCO12-Formats, utilise les exemples suivants :

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 sectionNotes spécifiques aux formats#

Link to this sectionAVIF (AV1 Image File Format)#

L'AVIF est un format d'image moderne basé sur le codec vidéo AV1, offrant une excellente compression. Nécessite pillow-avif-plugin :

pip install pillow-avif-plugin

Link to this sectionDNG (Digital Negative)#

Le DNG est le format RAW ouvert d'Adobe basé sur TIFF. À des fins de test, le jeu de données utilise des fichiers basés sur TIFF avec l'extension .dng.

Link to this sectionJP2 (JPEG 2000)#

JPEG 2000 est une norme de compression d'image par ondelettes offrant une meilleure compression et qualité que le JPEG traditionnel. Couramment utilisé dans l'imagerie médicale (DICOM), les applications géospatiales et le cinéma numérique. Pris en charge nativement par OpenCV et Pillow.

Link to this sectionMPO (Multi-Picture Object)#

Les fichiers MPO sont utilisés pour les images stéréoscopiques (3D). Le jeu de données stocke des données JPEG standard avec l'extension .mpo pour tester le format.

Link to this sectionHEIC (High Efficiency Image Coding)#

HEIC nécessite le paquet pillow-heif pour un encodage correct :

pip install pillow-heif

Link to this sectionCas d'utilisation#

Link to this sectionTests 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 sectionValidation de format#

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 sectionCitations et remerciements#

Si tu utilises le jeu de données COCO dans tes recherches, merci de citer :

@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 sectionÀ quoi sert le jeu de données COCO12-Formats ?#

Le jeu de données COCO12-Formats est conçu pour tester la compatibilité des formats d'image dans les pipelines d'entraînement YOLO d'Ultralytics. Il garantit que 12 formats d'image pris en charge (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) se chargent et se traitent correctement.

Link to this sectionPourquoi tester plusieurs formats d'image ?#

Différents formats d'image ont des caractéristiques uniques (compression, profondeur de bits, espaces colorimétriques). Tester tous les formats garantit :

• Un code de chargement d'image robuste
• Une compatibilité avec divers jeux de données
• Une détection précoce des bogues spécifiques aux formats

Link to this sectionQuels formats nécessitent des dépendances spéciales ?#

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