Dataset 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

Introdução#

O dataset COCO12-Formats da Ultralytics é um dataset de teste especializado, concebido para validar o carregamento de imagens em 12 extensões de formato de imagem suportadas. Contém 12 imagens (6 para treino e 6 para validação), cada uma guardada num formato diferente para garantir testes abrangentes do pipeline de carregamento de imagens.

Este dataset é indispensável para:

• Testar o suporte a formatos de imagem: Verificar se os formatos de imagem comuns são carregados corretamente
• Pipelines de CI/CD: Testes automatizados de compatibilidade de formatos
• Depuração: Isolar problemas específicos de formatos nos pipelines de treino
• Desenvolvimento: Validar adições ou alterações a formatos

Quando geres datasets na Ultralytics Platform, as imagens em qualquer um destes formatos são processadas automaticamente — não é necessária conversão manual.

Formatos suportados#

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

Estrutura do Conjunto de Dados#

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 do Conjunto de Dados#

O dataset COCO12-Formats é configurado através de um ficheiro YAML que define os caminhos do dataset e os nomes das classes. Podes consultar o ficheiro oficial coco12-formats.yaml no repositório do Ultralytics no GitHub.

# 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

Requisitos#

Nenhuma configuração manual é necessária. O OpenCV lê a maioria dos formatos diretamente, e o Ultralytics recorre ao Pillow para AVIF, HEIC e HEIF. O AVIF é decodificado nativamente pelo Pillow 11.3 ou mais recente, portanto atualize o Pillow se os arquivos AVIF falharem ao carregar, e a decodificação HEIC/HEIF instala o pacote leve pi-heif automaticamente no primeiro uso.

Utilização#

O dataset COCO12-Formats (1 MB) é transferido automaticamente na primeira vez que inicias o treino. Para treinar um modelo YOLO no dataset COCO12-Formats, utiliza 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)

Notas específicas dos formatos#

AVIF (formato de ficheiro de imagem AV1)#

O AVIF é um formato de imagem moderno baseado no codec de vídeo AV1, que oferece excelente compressão. O Ultralytics o decodifica através do Pillow 11.3 ou mais recente quando o OpenCV carece de suporte a AVIF, sem exigir pacotes extras.

DNG (Digital Negative)#

DNG é o formato RAW aberto da Adobe, baseado em TIFF. Para fins de teste, o dataset utiliza ficheiros baseados em TIFF com a extensão .dng.

JP2 (JPEG 2000)#

JPEG 2000 é um padrão de compressão de imagens baseado em wavelets que oferece melhor compressão e qualidade do que o JPEG tradicional. É utilizado frequentemente em imagiologia médica (DICOM), aplicações geoespaciais e cinema digital. É suportado nativamente pelo OpenCV e pelo Pillow.

MPO (objeto multip imagem)#

Os ficheiros MPO são utilizados para imagens estereoscópicas (3D). O dataset armazena dados JPEG padrão com a extensão .mpo para testar o formato.

HEIC / HEIF (formato de ficheiro de imagem de alta eficiência)#

Tanto as extensões .heic como .heif referenciam o mesmo contentor ISO/IEC 23008-12. Por convenção, .heic denota ficheiros HEIF codificados com HEVC (a variante produzida por dispositivos Apple), enquanto .heif é a extensão abrangente.

A Ultralytics descodifica ambos através da alternativa OpenCV → Pillow em ultralytics/utils/patches.py, que instala automaticamente pi-heif (leve e apenas para descodificação) na primeira utilização — não é necessária configuração manual para a leitura. Para produzires ficheiros HEIC/HEIF por tua conta (por exemplo, para recodificar imagens de exemplo), instala o pacote completo pillow-heif, que inclui codificadores:

pip install pillow-heif

Casos de uso#

Testes 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

Validação de formatos#

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}"

Citações e agradecimentos#

Se utilizares o dataset COCO na tua investigação, 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}
}

Perguntas frequentes#