COCO12-Formatsデータセット#
はじめに#
Ultralytics COCO12-Formatsデータセットは、サポートされている12種類の画像形式拡張子にわたる画像読み込みを検証するために設計された、専用のテストデータセットです。画像は12枚（トレーニング用6枚、検証用6枚）含まれており、それぞれ異なる形式で保存されているため、画像読み込みパイプラインを包括的にテストできます。
このデータセットは、次の用途に非常に役立ちます。
- 画像形式のサポートテスト: 一般的な画像形式が正しく読み込まれることを確認します
- CI/CDパイプライン: 形式の互換性を自動的にテストします
- デバッグ: トレーニングパイプラインにおける形式固有の問題を切り分けます
- 開発: 新しい形式の追加や変更を検証します
Ultralytics Platformでデータセットを管理する場合、これらの形式の画像は自動的に処理されるため、手動で変換する必要はありません。
サポートされている形式#
このデータセットには、IMG_FORMATSに含まれる13種類の画像形式拡張子のうち12種類について、それぞれ画像が1枚ずつ含まれています（ultralytics/data/utils.pyで定義）。.heifもサポートされていますが、サンプル画像はありません。
| 形式 | 拡張子 | 説明 | トレーニング/検証 |
|---|---|---|---|
| AVIF | .avif | AV1画像ファイル形式（最新） | 学習 |
| BMP | .bmp | ビットマップ - 非圧縮ラスター形式 | 学習 |
| DNG | .dng | デジタルネガ - Adobe RAW形式 | 学習 |
| HEIC | .heic | 高効率画像符号化 | 学習 |
| JPEG | .jpeg | 拡張子がフル表記のJPEG | 学習 |
| JPG | .jpg | 拡張子が短縮表記のJPEG | 学習 |
| JP2 | .jp2 | JPEG 2000 - 医療/地理空間向け | 検証 |
| MPO | .mpo | マルチピクチャーオブジェクト（ステレオ画像） | 検証 |
| PNG | .png | ポータブルネットワークグラフィックス | 検証 |
| TIF | .tif | 拡張子が短縮表記のTIFF | 検証 |
| TIFF | .tiff | タグ付き画像ファイル形式 | 検証 |
| WebP | .webp | 最新のWeb画像形式 | 検証 |
データセットの構成#
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データセットYAML#
COCO12-Formatsデータセットは、データセットのパスとクラス名を定義するYAMLファイルで設定します。UltralyticsのGitHubリポジトリで公式のcoco12-formats.yamlファイルを確認できます。
# 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要件#
手動でのセットアップは不要です。OpenCVはほとんどの形式を直接読み込み、AVIF、HEIC、HEIFについてはUltralyticsがPillowにフォールバックします。AVIFはPillow 11.3以降でネイティブにデコードされるため、AVIFファイルを読み込めない場合はPillowをアップグレードしてください。HEIC/HEIFのデコードでは、初回使用時に軽量なpi-heifパッケージが自動的にインストールされます。
使用方法#
COCO12-Formatsデータセット（1 MB）は、トレーニングを初めて開始すると自動的にダウンロードされます。COCO12-FormatsデータセットでYOLOモデルをトレーニングするには、以下の例を使用してください。
from ultralytics import YOLO
# 事前学習済みのYOLOモデルを読み込む
model = YOLO("yolo26n.pt")
# サポートされている12種類の画像形式をテストするためにCOCO12-Formatsでトレーニングする
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)形式固有の注意事項#
AVIF（AV1画像ファイル形式）#
AVIFはAV1ビデオコーデックをベースとする最新の画像形式で、優れた圧縮性能を備えています。OpenCVがAVIFをサポートしていない場合、UltralyticsはPillow 11.3以降を介してデコードします。追加のパッケージは必要ありません。
DNG（デジタルネガ）#
DNGはTIFFをベースとするAdobeのオープンRAW形式です。テスト用として、このデータセットでは.dng拡張子のTIFFベースのファイルを使用します。
JP2（JPEG 2000）#
JPEG 2000はウェーブレットベースの画像圧縮規格で、従来のJPEGより優れた圧縮率と画質を実現します。医療画像（DICOM）、地理空間アプリケーション、デジタルシネマで一般的に使用されます。OpenCVとPillowの両方でネイティブにサポートされています。
MPO（マルチピクチャーオブジェクト）#
MPOファイルは立体視（3D）画像に使用されます。このデータセットでは、形式のテスト用に標準的なJPEGデータを.mpo拡張子で保存します。
HEIC / HEIF（高効率画像ファイル形式）#
.heicと.heifの拡張子は、どちらも同じISO/IEC 23008-12コンテナを指します。慣例上、.heicはHEVCでエンコードされたHEIFファイル（Appleデバイスで生成される形式）を指し、.heifはより広い範囲を含む拡張子です。
Ultralyticsは、ultralytics/utils/patches.pyでOpenCVからPillowへのフォールバック処理を使用して両形式をデコードします。初回使用時にpi-heif（軽量、デコード専用）が自動的にインストールされるため、読み込みに手動でのセットアップは必要ありません。HEIC/HEIFファイルを自分で作成する場合（例: サンプル画像の再エンコード）は、エンコーダーを含む完全版のpillow-heifパッケージをインストールしてください。
pip install pillow-heifユースケース#
CI/CDテスト#
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形式の検証#
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}"引用と謝辞#
研究でCOCOデータセットを使用する場合は、以下を引用してください。
@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}
}よくある質問#
COCO12-Formatsデータセットは、Ultralytics YOLOトレーニングパイプラインにおける画像形式の互換性テストを目的に設計されています。サポートされている12種類の画像形式（AVIF、BMP、DNG、HEIC、JP2、JPEG、JPG、MPO、PNG、TIF、TIFF、WebP）が正しく読み込まれ、処理されることを確認します。
画像形式ごとに圧縮方式、ビット深度、色空間などの特性が異なります。すべての形式をテストすることで、次の点を確認できます。
- 堅牢な画像読み込みコード
- 多様なデータセット間での互換性
- 形式固有のバグの早期検出
手動でのインストールが必要な形式はありません。AVIFはPillow 11.3以降でネイティブにデコードされ、HEIC/HEIFのデコードでは初回使用時に
pi-heifが自動的にインストールされます。HEIC/HEIFファイルを自分で書き出す必要がある場合に限り、完全版のpillow-heifパッケージをインストールしてください。