Jeu de données 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

Introduction#

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

Ce jeu de données est particulièrement utile pour :

• Tester la prise en charge des formats d’image : vérifier que les formats d’image courants se chargent correctement
• Pipelines CI/CD : tester automatiquement la compatibilité des formats
• Débogage : isoler les problèmes propres à un format dans les pipelines d’entraînement
• Développement : valider l’ajout ou la modification de nouveaux formats

Lorsque tu gères des jeux de données sur Ultralytics Platform, les images dans chacun de ces formats sont automatiquement prises en charge : aucune conversion manuelle n’est nécessaire.

Formats pris en charge#

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

Structure 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

YAML 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

Prérequis#

Aucune configuration manuelle n'est requise. OpenCV lit la plupart des formats directement, et Ultralytics utilise Pillow en solution de repli pour les fichiers AVIF, HEIC et HEIF. L'AVIF est décodé nativement par Pillow 11.3 ou une version plus récente, mets donc à jour Pillow si les fichiers AVIF ne se chargent pas, et le décodage HEIC/HEIF installe automatiquement le paquet léger pi-heif lors de la première utilisation.

Utilisation#

Le jeu de données COCO12-Formats (1 Mo) se télécharge automatiquement la première fois que tu démarres un entraînement. 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)

Remarques spécifiques aux formats#

AVIF (format de fichier image AV1)#

L'AVIF est un format d'image moderne basé sur le codec vidéo AV1, offrant une excellente compression. Ultralytics le décode via Pillow 11.3 ou une version plus récente lorsque OpenCV ne prend pas en charge l'AVIF, sans aucun paquet supplémentaire requis.

DNG (Digital Negative)#

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.

JP2 (JPEG 2000)#

JPEG 2000 est une norme de compression d’image basée sur les ondelettes, offrant une meilleure compression et une meilleure qualité que le JPEG traditionnel. Il est couramment utilisé en imagerie médicale (DICOM), dans les applications géospatiales et au cinéma numérique. Il est pris en charge nativement par OpenCV et Pillow.

MPO (objet multipicture)#

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

HEIC / HEIF (format de fichier image à haute efficacité)#

Les extensions .heic et .heif font toutes deux référence au même conteneur ISO/IEC 23008-12. Par convention, .heic désigne les fichiers HEIF encodés en HEVC (la variante produite par les appareils Apple), tandis que .heif est l’extension générique plus large.

Ultralytics décode les deux formats via la solution de secours OpenCV → Pillow dans ultralytics/utils/patches.py, qui installe automatiquement pi-heif (léger et dédié au décodage) lors de la première utilisation — aucune configuration manuelle n’est nécessaire pour la lecture. Pour produire toi-même des fichiers HEIC/HEIF (par exemple, pour réencoder des images d’exemple), installe le paquet complet pillow-heif, qui inclut les encodeurs :

pip install pillow-heif

Cas d'utilisation#

Tests 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

Validation des formats#

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}"

Citations 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}
}

FAQ#