Датасет 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

Введение#

Датасет COCO12-Formats от Ultralytics — специализированный тестовый датасет для проверки загрузки изображений с 12 поддерживаемыми расширениями форматов. Он содержит 12 изображений (6 для обучения и 6 для валидации), каждое из которых сохранено в отдельном формате для всестороннего тестирования конвейера загрузки изображений.

Этот датасет незаменим для:

• Тестирование поддержки форматов изображений: проверка корректной загрузки распространённых форматов изображений
• CI/CD-конвейеры: автоматическое тестирование совместимости форматов
• Отладка: изоляция проблем, связанных с конкретными форматами, в конвейерах обучения
• Разработка: проверка добавления или изменения новых форматов

При управлении датасетами на Ultralytics Platform изображения в любом из этих форматов обрабатываются автоматически — ручное преобразование не требуется.

Поддерживаемые форматы#

Датасет содержит по одному изображению для каждого из 12 поддерживаемых расширений форматов, определённых в ultralytics/data/utils.py:

Структура датасета#

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 датасета#

Датасет COCO12-Formats настраивается с помощью YAML-файла, в котором определяются пути к датасету и имена классов. Официальный файл coco12-formats.yaml можно найти 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

Требования#

Ручная настройка не требуется. OpenCV считывает большинство форматов напрямую, а Ultralytics переключается на Pillow для AVIF, HEIC и HEIF. AVIF декодируется нативно с помощью Pillow 11.3 или новее, поэтому обновий Pillow, если файлы AVIF не загружаются, а декодирование HEIC/HEIF автоматически устанавливает легковесный пакет pi-heif при первом использовании.

Использование#

Датасет COCO12-Formats (1 МБ) автоматически загружается при первом запуске обучения. Чтобы обучить модель YOLO на датасете 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)

Примечания по конкретным форматам#

AVIF (формат изображения AV1)#

AVIF — это современный формат изображений на основе видеокодека AV1, обеспечивающий превосходное сжатие. Ultralytics декодирует AVIF через Pillow 11.3 или новее, когда у OpenCV отсутствует поддержка AVIF, и никаких дополнительных пакетов не требуется.

DNG (Digital Negative)#

DNG — открытый формат Adobe RAW на основе TIFF. Для тестирования датасет использует файлы на основе TIFF с расширением .dng.

JP2 (JPEG 2000)#

JPEG 2000 — стандарт сжатия изображений на основе вейвлетов, обеспечивающий лучшее сжатие и качество по сравнению с традиционным JPEG. Часто используется в медицинской визуализации (DICOM), геопространственных приложениях и цифровом кинематографе. Поддерживается нативно и OpenCV, и Pillow.

MPO (объект с несколькими изображениями)#

Файлы MPO используются для стереоскопических (3D) изображений. Для тестирования форматов датасет хранит стандартные данные JPEG с расширением .mpo.

HEIC / HEIF (высокоэффективный формат файла изображения)#

Расширения .heic и .heif указывают на один и тот же контейнер ISO/IEC 23008-12. По соглашению, .heic обозначает файлы HEIF, закодированные с помощью HEVC (вариант, создаваемый устройствами Apple), а .heif — более широкое обобщённое расширение.

Ultralytics декодирует оба формата через резервный вариант OpenCV → Pillow в ultralytics/utils/patches.py, который при первом использовании автоматически устанавливает pi-heif (лёгкий пакет только для декодирования) — для чтения ручная настройка не требуется. Чтобы самостоятельно создавать файлы HEIC/HEIF (например, повторно кодировать тестовые изображения), установи полный пакет pillow-heif, включающий кодировщики:

pip install pillow-heif

Варианты использования#

Тестирование 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

Проверка 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}"

Цитирование и благодарности#

Если ты используешь датасет COCO в своём исследовании, укажи следующую ссылку:

@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}
}

Часто задаваемые вопросы#