Link to this sectionConjunto de dados COCO12-Formats#

Link to this sectionIntrodução#

O conjunto de dados COCO12-Formats da Ultralytics é um conjunto de dados de teste especializado, projetado para validar o carregamento de imagens em 12 extensões de formato de imagem suportadas. Ele contém 12 imagens (6 para treino, 6 para validação), cada uma salva em um formato diferente para garantir testes abrangentes do pipeline de carregamento de imagens.

Este conjunto de dados é inestimável para:

• Testar suporte a formatos de imagem: Verificar se formatos comuns de imagem são carregados corretamente
• Pipelines CI/CD: Testes automatizados de compatibilidade de formato
• Depuração: Isolar problemas específicos de formato em pipelines de treinamento
• Desenvolvimento: Validar novas adições ou alterações de formato

Link to this sectionFormatos Suportados#

O conjunto de dados inclui uma imagem para cada uma das 12 extensões de formato suportadas definidas em ultralytics/data/utils.py:

Link to this sectionEstrutura do Dataset#

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 do Dataset#

O conjunto de dados COCO12-Formats é configurado usando um arquivo YAML que define os caminhos do conjunto de dados e nomes de classes. Podes rever o arquivo coco12-formats.yaml oficial no repositório GitHub da 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 sectionRequisitos#

Alguns formatos requerem dependências adicionais:

pip install pillow pillow-heif pillow-avif-plugin

Link to this sectionBiblioteca de Sistema AVIF (Opcional)#

Para que o OpenCV leia arquivos AVIF diretamente, o libavif deve ser instalado antes de compilar o OpenCV:

brew install libavif

Link to this sectionUso#

Para treinar um modelo YOLO no conjunto de dados COCO12-Formats, usa os seguintes exemplos:

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 sectionNotas Específicas de Formato#

Link to this sectionAVIF (Formato de Arquivo de Imagem AV1)#

AVIF é um formato de imagem moderno baseado no codec de vídeo AV1, oferecendo excelente compressão. Requer pillow-avif-plugin:

pip install pillow-avif-plugin

Link to this sectionDNG (Digital Negative)#

DNG é o formato RAW aberto da Adobe baseado em TIFF. Para fins de teste, o conjunto de dados usa arquivos baseados em TIFF com a extensão .dng.

Link to this sectionJP2 (JPEG 2000)#

JPEG 2000 é um padrão de compressão de imagem baseado em wavelets que oferece melhor compressão e qualidade do que o JPEG tradicional. Comumente usado em imagens médicas (DICOM), aplicações geoespaciais e cinema digital. Suportado nativamente pelo OpenCV e pelo Pillow.

Link to this sectionMPO (Objeto Multi-Imagem)#

Arquivos MPO são usados para imagens estereoscópicas (3D). O conjunto de dados armazena dados JPEG padrão com a extensão .mpo para testes de formato.

Link to this sectionHEIC (Codificação de Imagem de Alta Eficiência)#

HEIC requer o pacote pillow-heif para codificação adequada:

pip install pillow-heif

Link to this sectionCasos de Uso#

Link to this sectionTestes de 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 sectionValidação de Formato#

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 sectionCitações e Agradecimentos#

Se usares o conjunto de dados COCO na tua pesquisa, por favor cita:

@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 sectionPara Que Serve o Conjunto de Dados COCO12-Formats?#

O conjunto de dados COCO12-Formats foi projetado para testar a compatibilidade de formatos de imagem nos pipelines de treinamento do Ultralytics YOLO. Ele garante que 12 formatos de imagem suportados (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) sejam carregados e processados corretamente.

Link to this sectionPor Que Testar Múltiplos Formatos de Imagem?#

Diferentes formatos de imagem possuem características únicas (compressão, profundidade de bits, espaços de cor). Testar todos os formatos garante:

• Código de carregamento de imagem robusto
• Compatibilidade entre diversos conjuntos de dados
• Detecção precoce de bugs específicos de formato

Link to this sectionQuais Formatos Requerem Dependências Especiais?#

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