Link to this sectionНабор данных COCO12-Formats#

Link to this sectionВведение#

Набор данных Ultralytics COCO12-Formats — это специализированный тестовый набор, предназначенный для проверки загрузки изображений в 12 поддерживаемых форматах. Он содержит 12 изображений (6 для обучения, 6 для валидации), каждое из которых сохранено в отдельном формате, что обеспечивает всестороннее тестирование конвейера загрузки изображений.

Этот набор данных неоценим для:

• Тестирования поддержки форматов изображений: Проверь, что распространенные форматы изображений загружаются корректно
• CI/CD конвейеров: Автоматизированного тестирования совместимости форматов
• Отладки: Изоляции проблем, связанных с конкретными форматами в конвейерах обучения
• Разработки: Валидации новых форматов или изменений

Link to this sectionПоддерживаемые форматы#

Набор данных включает по одному изображению для каждого из 12 поддерживаемых расширений, определенных в файле ultralytics/data/utils.py:

Link to this sectionСтруктура набора данных#

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 набора данных#

Набор данных COCO12-Formats настраивается с помощью YAML-файла, который определяет пути к данным и названия классов. Ты можешь просмотреть официальный файл coco12-formats.yaml в репозитории Ultralytics на 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

Link to this sectionТребования#

Некоторые форматы требуют дополнительных зависимостей:

pip install pillow pillow-heif pillow-avif-plugin

Link to this sectionСистемная библиотека AVIF (опционально)#

Чтобы OpenCV мог напрямую считывать файлы AVIF, необходимо установить libavif до сборки OpenCV:

brew install libavif

Link to this sectionИспользование#

Для обучения модели YOLO на наборе данных COCO12-Formats используй следующие примеры:

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 sectionПримечания по форматам#

Link to this sectionAVIF (AV1 Image File Format)#

AVIF — это современный формат изображений на основе видеокодека AV1, обеспечивающий отличное сжатие. Требует pillow-avif-plugin:

pip install pillow-avif-plugin

Link to this sectionDNG (Digital Negative)#

DNG — это открытый RAW-формат от Adobe, основанный на TIFF. Для целей тестирования в наборе данных используются файлы на основе TIFF с расширением .dng.

Link to this sectionJP2 (JPEG 2000)#

JPEG 2000 — это стандарт сжатия изображений на основе вейвлетов, предлагающий лучшее сжатие и качество, чем традиционный JPEG. Обычно используется в медицинской визуализации (DICOM), геопространственных приложениях и цифровом кино. Нативно поддерживается как OpenCV, так и Pillow.

Link to this sectionMPO (Multi-Picture Object)#

Файлы MPO используются для стереоскопических (3D) изображений. Набор данных содержит стандартные данные JPEG с расширением .mpo для тестирования формата.

Link to this sectionHEIC (High Efficiency Image Coding)#

HEIC требует пакет pillow-heif для корректного кодирования:

pip install pillow-heif

Link to this sectionСценарии использования#

Link to this sectionCI/CD тестирование#

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 sectionВалидация форматов#

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 sectionЦитирование и благодарности#

Если ты используешь набор данных COCO в своих исследованиях, пожалуйста, сошлися на:

@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 sectionДля чего используется набор данных COCO12-Formats?#

Набор данных COCO12-Formats предназначен для тестирования совместимости форматов изображений в конвейерах обучения Ultralytics YOLO. Он гарантирует, что 12 поддерживаемых форматов изображений (AVIF, BMP, DNG, HEIC, JP2, JPEG, JPG, MPO, PNG, TIF, TIFF, WebP) загружаются и обрабатываются корректно.

Link to this sectionЗачем тестировать несколько форматов изображений?#

Различные форматы изображений имеют уникальные характеристики (сжатие, глубина цвета, цветовые пространства). Тестирование всех форматов гарантирует:

• Надежность кода загрузки изображений
• Совместимость с разнообразными наборами данных
• Раннее обнаружение ошибок, специфичных для формата

Link to this sectionКакие форматы требуют специальных зависимостей?#

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