COCO12-Formats 데이터셋#

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

소개#

Ultralytics COCO12-Formats 데이터셋은 지원되는 12가지 이미지 형식 확장자 전반에서 이미지 로딩을 검증하도록 설계된 특수 테스트 데이터셋입니다. 이미지 12장(학습용 6장, 검증용 6장)으로 구성되며, 이미지 로딩 파이프라인을 종합적으로 테스트할 수 있도록 각 이미지를 서로 다른 형식으로 저장합니다.

이 데이터셋은 다음과 같은 용도에 매우 유용합니다:

• 이미지 형식 지원 테스트: 일반적인 이미지 형식이 올바르게 로드되는지 확인합니다.
• CI/CD 파이프라인: 형식 호환성을 자동으로 테스트합니다.
• 디버깅: 학습 파이프라인에서 형식별 문제를 분리합니다.
• 개발: 새 형식 추가 또는 변경 사항을 검증합니다.

Ultralytics Platform에서 데이터셋을 관리하면 이러한 형식의 이미지가 자동으로 처리되므로 수동 변환이 필요하지 않습니다.

지원 형식#

데이터셋에는 IMG_FORMATS의 이미지 형식 확장자 13개 중 12개(정의 위치: ultralytics/data/utils.py)에 해당하는 이미지가 각각 하나씩 포함되어 있습니다. .heif도 지원되지만 샘플 이미지는 없습니다:

데이터셋 구조#

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

데이터셋 YAML#

COCO12-Formats 데이터셋은 데이터셋 경로와 클래스 이름을 정의하는 YAML 파일을 사용해 구성됩니다. 공식 coco12-formats.yaml 파일은 Ultralytics GitHub 저장소에서 확인할 수 있습니다.

# 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

요구 사항#

수동 설정은 필요하지 않습니다. OpenCV는 대부분의 형식을 직접 읽으며, AVIF, HEIC, HEIF는 Ultralytics가 Pillow를 대체 수단으로 사용합니다. AVIF는 Pillow 11.3 이상에서 기본적으로 디코딩되므로 AVIF 파일을 불러오지 못하면 Pillow를 업그레이드하세요. HEIC/HEIF 디코딩에 필요한 경량 pi-heif 패키지는 처음 사용할 때 자동으로 설치됩니다.

사용법#

COCO12-Formats 데이터셋(1 MB)은 학습을 처음 시작할 때 자동으로 다운로드됩니다. COCO12-Formats 데이터셋으로 YOLO 모델을 학습하려면 다음 예제를 사용하세요:

from ultralytics import YOLO

# 사전 학습된 YOLO 모델 로드
model = YOLO("yolo26n.pt")

# 지원되는 이미지 형식 12가지를 테스트하기 위해 COCO12-Formats에서 학습
results = model.train(data="coco12-formats.yaml", epochs=1, imgsz=640)

형식별 참고 사항#

AVIF(AV1 이미지 파일 형식)#

AVIF는 AV1 비디오 코덱을 기반으로 한 최신 이미지 형식으로, 뛰어난 압축률을 제공합니다. OpenCV에서 AVIF를 지원하지 않는 경우 Ultralytics는 추가 패키지 없이 Pillow 11.3 이상을 통해 AVIF를 디코딩합니다.

DNG(디지털 네거티브)#

DNG는 TIFF를 기반으로 한 Adobe의 오픈 RAW 형식입니다. 테스트를 위해 데이터셋에서는 .dng 확장자를 사용하는 TIFF 기반 파일을 사용합니다.

JP2(JPEG 2000)#

JPEG 2000은 기존 JPEG보다 압축률과 화질이 뛰어난 웨이블릿 기반 이미지 압축 표준입니다. 의료 영상(DICOM), 지리공간 애플리케이션, 디지털 시네마에서 널리 사용됩니다. OpenCV와 Pillow 모두 기본적으로 지원합니다.

MPO(멀티 픽처 객체)#

MPO 파일은 입체(3D) 이미지에 사용됩니다. 데이터셋은 형식 테스트를 위해 .mpo 확장자를 사용하는 표준 JPEG 데이터를 저장합니다.

HEIC / HEIF(고효율 이미지 파일 형식)#

.heic 및 .heif 확장자는 모두 동일한 ISO/IEC 23008-12 컨테이너를 가리킵니다. 관례적으로 .heic는 HEVC로 인코딩된 HEIF 파일(Apple 기기에서 생성되는 형식)을 나타내고, .heif은 더 포괄적인 확장자입니다.

Ultralytics는 ultralytics/utils/patches.py에서 OpenCV → Pillow 대체 경로를 통해 두 형식 모두 디코딩하며, 처음 사용할 때 pi-heif(경량, 디코딩 전용)을 자동으로 설치하므로 파일을 읽기 위한 수동 설정이 필요하지 않습니다. HEIC/HEIF 파일을 직접 생성하려면(예: 샘플 이미지 재인코딩) 인코더가 포함된 전체 pillow-heif 패키지를 설치하세요:

pip install pillow-heif

사용 사례#

CI/CD 테스트#

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

형식 검증#

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}"

인용 및 감사의 글#

연구에서 COCO 데이터셋을 사용하는 경우 다음을 인용하세요:

@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}
}

자주 묻는 질문#