Ensemble de données COCO12-Formats

Introduction

Le Ultralytics COCO12-Formats est un ensemble de données de test spécialisé conçu pour valider le chargement d'images dans les 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 afin de garantir un test complet du pipeline de chargement d'images.

Cet ensemble de données est inestimable pour :

• Test de la prise en charge des formats d'image: vérifiez que tous les formats pris en charge se chargent correctement.
• Pipelines CI/CD: tests automatisés de compatibilité des formats
• Débogage: isoler les problèmes liés au format dans les pipelines de formation
• Développement: valider les ajouts ou modifications apportés au nouveau format

Formats pris en charge

L'ensemble de données comprend une image pour chacune des 12 extensions de format prises en charge 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 d'accès aux jeux de données et les noms de classes. Vous pouvez consulter le fichier officiel coco12-formats.yaml fichier dans le dépôt GitHub 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

Génération d’ensembles de données

Le jeu de données peut être généré à l'aide du script fourni qui convertit les images sources de COCO8 COCO128 tous les formats pris en charge :

from ultralytics.data.scripts.generate_coco12_formats import generate_coco12_formats

# Generate the dataset
generate_coco12_formats()

Exigences

Certains formats nécessitent des dépendances supplémentaires :

pip install pillow pillow-heif pillow-avif-plugin

Bibliothèque système AVIF (facultative)

Pour OpenCV lire directement les fichiers AVIF, libavif doit être installé avant Construire 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

Utilisation

Pour entraîner un YOLO sur l'ensemble de données COCO12-Formats, utilisez les exemples suivants :

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

Remarques spécifiques au format

AVIF (format de fichier image AV1)

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

DNG (négatif numérique)

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

JP2 (JPEG 2000)

JPEG 2000 est une norme de compression d'images basée sur les ondelettes qui offre une meilleure compression et une meilleure qualité que le format JPEG traditionnel. Elle est couramment utilisée dans l'imagerie médicale (DICOM), les applications géospatiales et le cinéma numérique. Elle est prise en charge nativement par OpenCV Pillow.

MPO (objet multi-images)

Les fichiers MPO sont utilisés pour les images stéréoscopiques (3D). L'ensemble de données stocke des données JPEG standard avec le .mpo extension pour le test de format.

HEIC (codage d'image à haute efficacité)

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

pip install pillow-heif

Cas d'utilisation

Tests 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

Validation du format

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}"

Citations et remerciements

Si vous utilisez l'COCO dans vos recherches, veuillez 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

À quoi sert l'ensemble de données COCO12-Formats ?

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

Pourquoi tester plusieurs formats d'image ?

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

• Code robuste pour le chargement d'images
• Compatibilité entre divers ensembles de données
• Détection précoce des bogues spécifiques au format

Quels formats nécessitent des dépendances particulières ?

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

Puis-je ajouter de nouveaux tests de format ?

Oui ! Modifiez le generate_coco12_formats.py script pour inclure des formats supplémentaires. Veillez également à mettre à jour IMG_FORMATS dans ultralytics/data/utils.py.

📅 Créé il y a 0 jours ✏️ Mis à jour il y a 0 jours

Commentaires